Статьи с темой: «глубокое обучение»
-
2026 № 6 Обзор применения технологий искусственного интеллекта для оценки костной консолидации.
Актуальность. Консолидация переломов длинных костей представляет собой сложный биомеханический и регенераторный процесс, нарушение которого может приводить к замедленному сращению и формированию несращений, сопровождающихся увеличением сроков реабилитации, риском повторных хирургических вмешательств и ростом социально-экономических затрат.
В клинической практике стандартизированная оценка заживления преимущественно осуществляется с использованием визуальных шкал RUST и mRUST на основе рентгенограмм, однако их диагностическая точность ограничивается субъективностью интерпретации и межэкспертной вариабельностью. В условиях цифровой трансформации здравоохранения возрастает интерес к автоматизированным методам оценки костного заживления, основанным на применении глубокого обучения для анализа рентгенографических и томографических изображений.
Цель обзора заключается в анализе современных подходов к автоматизации оценки костной консолидации на основе шкал RUST/mRUST и моделей искусственного интеллекта, включая методы детекции, трансформерные архитектуры, сегментационные решения для КТ и регрессионные прогнозные модели.
Материалы и методы. Методологическую основу исследования составили методы анализа и обобщения научной литературы, а также контент-анализ аналитических отчётов.
Результаты. В настоящем обзоре систематизированы современные подходы к автоматизации оценки
консолидации, включая регрессионное воспроизведение mRUST-баллов, сегментацию костного каллуса и кортикальных структур по данным компьютерной томографии с использованием архитектур типа nnU-Net и FracNet, а также применение гибридных моделей, сочетающих детекторы (YOLOv9) и трансформерные энкодеры (Swin Transformer V2).
Особое внимание уделено проблемам дефицита размеченных данных, вариабельности клинических протоколов и вычислительным ограничениям 3D-сетей, а также перспективам интеграции количественных визуализационных биомаркеров в предиктивные модели риска несращения.
Заключение. Обозначены векторы дальнейшего развития, включающие разработку мультимодальных моделей, объединяющих рентгенологические, КТ-показатели и клинические данные, переход к непрерывным индексам заживления и внедрение алгоритмов искусственного интеллекта в системы поддержки принятия решений в травматологии. -
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.