Васильев Ю. А. - все статьи автора в журнале

    Информатизация здравоохранения
  • 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.

    Авторы: Борисов А. А., Васильев Ю. А., Владзимирский А. В., Омелянская О. В., Арзамасов К. М., Кирпичев Ю. С.

    Темы: глубокое обучение1 искусственный интеллект8 контроль качества3 рентгенограммы органов грудной клетки1

    Подробнее >

  • 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.

    Авторы: Васильев Ю. А., Бобровская Т. М., Арзамасов К. М., Четвериков С. Ф., Владзимирский А. В., Омелянская О. В., Андрейченко А. Е., Павлов Н. А., Анищенко Л. Н.

    Темы: библиотеки наборов данных для машинного обучения1 искусственный интеллект8 машинное обучение4 набор данных1 реестр1

    Подробнее >

  • Менеджмент в здравоохранении
  • 2023 № 9 Популяционное исследование эмфизематозных изменений легких у населения г. Москвы методом автоматизированного анализа результатов лучевых исследований.

    А к т у а л ь н о с т ь . Эмфизема, часто развивающаяся у пациентов с хронической обструктивной болезнью легких (ХОБЛ), ухудшает течение хронических заболеваний сердечно-сосудистой и эндокринной систем, а также ассоциируется с повышенным риском развития злокачественных новообразований легких. Изучение заболеваемости ХОБЛ осуществляется системно, однако анализ распространенности в популяции именно эмфиземы не осуществляется. Одним из способов оценки ее распространенности может стать автоматизированный анализ КТ органов грудной клетки с помощью технологий искусственного
    интеллекта.
    Ц е л ь : изучить распространенность эмфиземы у населения г. Москвы на основе автоматизированного анализа результатов лучевых исследований.
    М е т о д ы . Проанализированы результаты КТ органов грудной клетки 116216 пациентов. Все исследования были выполнены за период октябрь 2022 г. – июнь 2023 г. в медицинских организациях города Москвы. В автоматизированном режиме ИИ-сервис «Emphysema-IRA» (ООО «Интеллиджент радиолоджи ассистанс лабораторис (АЙРА Лабс) ») определял факт наличия эмфизематозных изменений легких (бинарная оценка – да/нет), а также – процент эмфизематозного поражения в обоих легких и отдельно по каждому легкому.
    Р е з у л ь т а т ы . Распространенность эмфиземы легких среди населения г. Москвы составила 0,614 на 1000 человек, распространенность клинически значимой эмфиземы – 0,173 на 1000 человек. Большинство лиц, у которых при КТ-исследованиях выявлена эмфизема, в том числе клинически значимая, относятся к группе пожилого возраста (47,0% и 55,0% соответственно), также значителен удельный вес лиц молодого возраста (9,0% и 5,0%). У мужчин во всех возрастных группах частота выявления эмфиземы статистически значимо выше, чем у женщин (Хи-квадрат=1000,0; р<0,001). Вне зависимости от пола, увеличение возраста на 5 лет в 1,1 раза увеличивает вероятность наличия эмфиземы, в том числе клинически значимой.
    В ы в о д ы . Автоматизированное выявление признаков эмфиземы легких на КТ позволяет проводить быструю, массовую и объективную оценку распространенности хронической обструктивной болезни легких в популяции. Благодаря развитию медицинского программного обеспечения на основе искусственного интеллекта появилась возможность разработки и внедрения принципиально новых цифровых технологий управления здравоохранением и изучения общественного здоровья.

    Авторы: Васильев Ю. А., Гончарова И. В., Владзимирский А. В., Арзамасов К. М., Пестренин Л. Д.

    Темы: искусственный интеллект8 компьютерная томография2 оппортунистический скрининг1 эмфизема1

    Подробнее >

  • 2021 № 2 Анализ эффективности внедрения системы скрининга остеопороза

    Остеопороз – заболевание, при котором происходит снижение минеральной плотности кости, сопровождающееся нарушением ее структуры и, как следствие, низкоэнергетическими переломами. Остеопорозом страдает каждая третья женщина и каждый четвертый мужчина старше 50 лет. Остеопороз – тяжелое бремя для здравоохранения Российской Федерации, определяемое как 25 млрд. руб. ежегодно. В назначении терапии остеопороза, предотвращающей разрушение костной ткани, нуждаются до 31% женщин и 4% мужчин старше 50 лет. Выявление данных групп риска позволяет своевременно начать лечение и предотвратить патологические переломы.
    В работе анализируются современные подходы к диагностике остеопороза. Приводится обзор методов диагностики, включая технологии искусственного интеллекта для распознавания низкоэнергетических компрессионных переломов тел позвонков, а также методы рутинной двухэнергетической денситометрии – DXA. Также обсуждены технологии денситометрии по данным КТ сканирования. Приводится принцип анкетирования по FRAX для выявления пациентов с высоким риском низкоэнергетических переломов, а также определения групп пациентов, нуждающихся в проведении денсиметрических исследований.
    Анализируются различные модели скрининга остеопороза, с оценкой их медико-экономической эффективности. Представлено экономическое обоснование наиболее эффективной стратегии – проведения анкетирования по FRAX с последующим выполнением денситометрических исследований. Это позволит предотвратить более 50% низкоэнергетических переломов без увеличения затрат. Данные усилия направлены на увеличение продолжительности жизни, что будет способствовать выполнению намеченных целевых показателей в национальном проекте «Демография».

    Авторы: Петряйкин А. В., Артюкова З. Р., Низовцова Л. А., Уринцов А. И., Сорокин А. С., Ахмад Е. С., Семенов Д. С., Сергунова К. А., Бабкин В. А., Васильев Ю. А., Владзимирский А. В., Морозов С. П.

    Темы: двухэнергетическая рентгеновская абсорбциометрия1 количественная компьютерная томография1 минеральная плотность кости1 остеопороз1 экономическая модель1

    Подробнее >

  • Цифровое здравоохранение
  • 2023 № 8 Первые 10000 маммографических исследований, выполненных в рамках ус- луги «Описание и интерпретация данных маммографического исследования с использованием искусственного интеллекта».

    Актуальность. Технологии искусственного интеллекта имеют огромный потенциал для повышения эффективности скрининговых программ по выявлению злокачественных новообразований молочной железы. Учитывая высокую социальную, демографическую и экономическую значимость массовых профилактических исследований, не подлежит сомнению тот факт, что диагностическая точность искусственного интеллекта должна соответствовать точности врачей-рентгенологов или даже превышать ее. В связи с этим необходимы исследования, посвященные сравнению точности программного обеспечения на основе технологии искусственного интеллекта и врачей-рентгенологов на потоке при проведении маммографических исследований.
    Цель: оценить качество оказания медицинской услуги «Описание и интерпретация данных маммографического исследования с использованием искусственного интеллекта» в рамках скрининга.
    Материал и методы. Выборка для анализа состояла из 9684 цифровых маммографических исследований. Для каждого исследования категория BI-RADS определялась врачом-рентгенологом и с помощью программного обеспечения на основе технологий искусственного интеллекта (ПО на основе ТИИ), зарегистрированного в РФ в качестве медицинского изделия. 45 исследований из этой выборки со значимыми расхождениями в оценке врача и ПО подверглись экспертному аудиту, в результате которого была выставлена категория BI-RADS по мнению врача-эксперта.
    Результаты. При оценке средневзвешенных значений статистически значимых различий между результатами врача и ПО на основе ТИИ для 9684 цифровых маммографических исследований не наблюдалось. Оценка согласованности врача и ПО показала, что совпадения наблюдаются в 43,89% случаев для шкалы BI-RADS и в 80,69% – 84,10% для бинарных шкал. Наличие случая, при котором патология, определенная с помощью ПО и подтвержденная при пересмотре результатов экспертом, была пропущена врачом, говорит о перспективности использования ПО на основе ТИИ для оценки маммографических исследований и требует проведения дальнейших исследований.
    Заключение. При оценке маммографических исследований согласованность между решением на основе ТИИ и врачом-рентгенологом, достигает 84,10%, при этом ПО чаще присваивает более высокую категорию BI-RADS. Экспертный пересмотр части этих расхождений показал потенциальное снижение количества пропусков злокачественных новообразований молочных желез с помощью ПО.

    Авторы: Васильев Ю. А., Владзимирский А. В., Арзамасов К. М., Шулькин И. М., Аксенова Л. Е., Пестренин Л. Д., Семенов С. С., Бондарчук Д. В., Смирнов И. В.

    Темы: диагностическая точность1 искусственный интеллект8 маммография1 профилактические исследования1

    Подробнее >