Омелянская О. В. - все статьи автора в журнале
-
2023 № 7 Применение технологий искусственного интеллекта как способ обеспечения качества выполнения рентгенографии органов грудной клетки.
При выполнении рентгенографических исследований могут возникать ошибки, снижающие диагностическую ценность полученных изображений и затрудняющие их интерпретацию как врачом-рентгенологом, так и диагностическим программным обеспечением на основе технологии искусственного интеллекта. Создание автоматизированных систем оценки качества позволит оптимизировать данный процесс, особенно в условиях повышенной рабочей нагрузки медицинского персонала.
Цель исследования: разработка инструмента автоматизированного контроля качества рентгенологических исследований органов грудной клетки, позволяющего провести контроль качества укладки и позиционирования пациента и корректность заполнения метаинформации об исследовании.
Материал и методы. Для обучения и тестирования моделей автоматизированного контроля качества были использованы 61505 рентгенограмм органов грудной клетки (РГ ОГК), полученные из открытых наборов данных и Единого радиологического информационного сервиса Единой медицинской информационно-аналитической системы города Москвы. Для создания моделей применялось трансферное обучение глубоких нейросетевых архитектур VGG19 и ResNet152V2.
Результаты. Были созданы 7 моделей: модель определения анатомической области исследования, модель определения проекции, модель определения фотометрической интерпретации, модели определения неполной визуализации анатомической области на прямой и боковой проекциях РГ ОГК, модель определения ротации на боковой проекции РГ ОГК. Все созданные модели имеют метрики диагностической точности выше 95%, что позволяет использовать их в клинической практике. На основе разработанных моделей был создан единый web-инструмент контроля качества РГ ОГК, позволяющий анализировать качество наборов данных рентгенограмм.
Выводы. Активное использование разработанного нами инструмента позволит оптимизировать процесс оценки качества диагностических исследований и облегчить процессы классификации исследований и формирования наборов данных. Также данный инструмент может использоваться для поддержки принятия решения рентгенолаборанта и оценки качества исследования перед отправкой исследования на обработку сервисам на базе искусственного интеллекта. -
2023 № 4 Основополагающие принципы стандартизации и систематизации информации о наборах данных для машинного обучения в медицинской диагностике
О б о с н о в а н и е : Активное внедрение технологий искусственного интеллекта в сферу здравоохранения, которое мы наблюдаем в последние годы, способствует резкому росту количества медицинских данных, собираемых для разработки моделей машинного обучения, в том числе данных лучевой и инструментальной диагностики. Для решения различных задач в области цифровых медицинских технологий посредством алгоритмов машинного обучения создаются все новые и новые наборы данных, поэтому становятся актуальными проблемы их систематизации и стандартизации, хранения, доступа, рационального
и безопасного использования.
Ц е л ь : разработка подхода к систематизации и стандартизации информации о наборах данных для решения вопросов представления, хранения, применения и оптимизации использования наборов данных и обеспечения безопасности и прозрачности процессов разработки и испытаний медицинских изделий с использованием искусственного интеллекта.
М е т о д ы : анализ собственного и мирового опыта по созданию и использованию медицинских наборов данных, поиск и анализ медицинских справочников, разработка и обоснование структуры реестра, поиск научных публикаций с ключевыми словами «наборы данных», «реестр медицинских данных», размещенных в реферативных базах данных РИНЦ, Scopus, Web of Science.
Р е з у л ь т а т ы . Разработана структура реестра наборов данных в медицинской инструментальной диагностике с разделами, отражающими информацию по всем этапам формирования и использования наборов данных для машинного обучения: 7 параметров на этапе инициирования, 8 – на этапе планирования, 70 – карточка набора данных, 1 – смена версии, 14 – на этапе использования, всего – 100 параметров. В работе предлагается классификация наборов данных по цели их создания, классификация методов верификации данных, а также принципы формирования названий для стандартизации и наглядности представления наборов данных. Кроме того, освещены основные особенности организации ведения данного реестра: управление, качество данных, конфиденциальность и безопасность.
В ы в о д ы . Впервые предлагается оригинальная технология структуризации и систематизации управления медицинскими наборами данных для инструментальной диагностики, в основу которой положены разработанная терминология и принципы классификации информации, что позволяет стандартизировать структуру информации о наборах данных для машинного обучения, обеспечивает централизацию хранения, удобный и быстрый доступ ко всей информации о наборе данных, а также прозрачность, надежность и воспроизводимость результатов в сфере искусственного интеллекта. Создание реестра дает возможность оперативно формировать наглядные библиотеки данных, позволяя обширному кругу исследователей, разработчиков и компаний выбирать наборы данных для своих задач, что обеспечивает их широкое использование, оптимизацию ресурсов и способствует быстрому развитию и внедрению искусственного интеллекта. -
2026 № 2 Систематизация барьеров внедрения искусственного интеллекта в лучевую диагностику города Москвы.
Одной из областей медицины, в которой в настоящее время наиболее активно внедряется ИИ, является лучевая диагностика. Однако до 2020 г. технологии ИИ использовались лишь в научных исследованиях. Это было обусловлено существованием большого числа труднопреодолимых барьеров. Ранее другими коллективами авторов предпринимались попытки систематизации барьеров внедрения ИИ, но они носили по большей части теоретический характер и не учитывали реальный опыт внедрения ИИ в лучевую диагностику.
Цель исследования: систематизировать барьеры, препятствовавшие внедрению ИИ в лучевую диагностику с учетом опыта Московского эксперимента.
Материалы и методы. Проведено ретроспективное аналитическое исследование, направленное на систематизацию барьеров, препятствовавших внедрению ИИ в лучевую диагностику.
Результаты. Выявлены верхнеуровневые барьеры внедрения ИИ в лучевую диагностику в количестве 21, которые были разделены на 6 групп. Наибольшее количество барьеров было выявлено в регуляторной сфере (6), наименьшее – в вопросах, связанных с данными (2) и врачами и пациентами (2). Практический опыт Московского эксперимента по внедрению компьютерного зрения в лучевую диагностику позволил выявить дополнительные барьеры, которые ранее не упоминались в теоретических исследованиях.
Выводы. Систематизация барьеров с учетом практического опыта внедрения ИИ продемонстрировала их многоаспектность и взаимосвязанность, что свидетельствует о необходимости разработки мероприятий по их системному, а не последовательному устранению. -
2025 № 7 Автоматизированная платформа для формирования наборов данных в лучевой диагностике.
Актуальность. Количество программного обеспечения с использованием искусственного интеллекта (ПО с ИИ), применяемого в лучевой диагностике, в последние годы стремительно увеличивается. Этот тренд предъявляет высокие требования к качеству и репрезентативности наборов данных, необходимых для обучения, тестирования и мониторинга ПО с ИИ. Однако существующие методы формирования наборов данных зачастую являются трудоемкими и ресурсозатратными, что приводит к замедлению процесса разработки и внедрения новых ИИ-решений, а также к возможным ошибкам при их работе.
Автоматизация процесса формирования наборов данных становится критически важной для преодоления этих ограничений.
Предмет. Методология формирования наборов данных.
Цель: разработка автоматизированной платформы для формирования наборов данных в лучевой диагностике.
Методы. В ходе разработки платформы применялись языки программирования JavaScript, Python и Typescript. В платформе используются локальная база данных Postgres с текстовой информацией об исследованиях, PACS-системы, а также РИС – база данных неразмеченных исследований. Для подтверждения работоспособности платформы проведена ее апробация.
Результаты. Разработана комплексная платформа с локальными постоянными и временными файловыми хранилищами, при помощи которой пользователи могут осуществлять поиск, анонимизацию, выгрузку и разметку исследований, а также последующее формирование результирующих и аннотирующих файлов. В процессе апробации была подтверждена работоспособность платформы, и не было выявлено серьезных технических проблем.
Выводы. Настоящая платформа обеспечивает полный цикл работы пользователя с наборами данных в области лучевой диагностики. Платформа в настоящее время успешно функционирует в государственном бюджетном учреждении здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы», что позволяет рекомендовать предложенную платформу для использования в практических задачах.