Бобровская Т. М. - все статьи автора в журнале
-
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 № 5 Сложное – просто: большие языковые модели в создании пациентоориентированных рентгенологических заключений – обзор предметного поля.
Прямой доступ пациентов к результатам рентгенологических исследований становится нормой клинической практики, однако медицинская терминология протоколов исследований затрудняет их понимание. Большие языковые модели (LLM) рассматриваются как инструмент автоматического создания заключений, адаптированных для понимания пациентом (или пациентоориентированных заключений), но систематическая оценка их возможностей и ограничений не проводилась.
Цель исследования: картирование литературы по применению больших языковых моделей и традиционных подходов для создания пациентоориентированных рентгенологических заключений.
Материалы и методы. Поиск проведён в пяти базах данных (PubMed, Google Scholar, Semantic Scholar, arXiv, medRxiv) за период январь 2020 – декабрь 2025 года. Включались публикации о пациентоориентированных рентгенологических заключениях по результатам компьютерной томографии, магнитно-резонансной томографии, рентгенографии, маммографии, флю-орографии и остеоденситометрии. Основной поиск – на английском языке; русскоязычные источники включены при выявлении вне основной стратегии. Данные извлекались по стандартизированной форме, охватывающей восемь исследовательских
вопросов. Скрининг и извлечение данных выполнялись одним исследователем; извлечённые данные верифицированы двумя соавторами путём сопоставления с оригинальными источниками.
Результаты. Из 1615 идентифицированных записей включено 60 публикаций. Более половины исследований (n = 35; 58,3%) опубликованы в 2024–2025 годах; географически преобладали США (n = 35; 58,3%). Подходы на основе LLM применялись в 33 исследованиях (55,0%), преимущественно модели семейства GPT; традиционные методы обработки естественного языка (NLP)
и ручного упрощения – в 19 (31,7%), остальные публикации включали гибридные подходы и обзоры. Наиболее распространённым дизайном являлась техническая валидация (n = 27; 45,0%). LLM повышали удобочитаемость заключений: показатель по шкале Flesch-Kincaid Grade Level снижался с исходных 10–13 до 5–12 классов. Все сравнительные исследования с участием пациентов показали статистически значимое улучшение понимания пациентоориентированных заключений. Авторы включённых исследований систематически анализировали ошибки генерируемых текстов при использовании LLM-подходов: частота ошибок и галлюцинаций LLM варьировалась от 0% до 50% в зависимости от модели и промпта; для традиционных NLP-подходов
систематический анализ ошибок во включенных исследованиях не проводился. Выявлен эмпирически обоснованный компромисс между удобочитаемостью и точностью: при целевом уровне ниже 11-го класса точность значимо снижалась. Только 3 из 60 исследований являлись рандомизированными контролируемыми испытаниями.
Выводы. LLM способны повышать уровень удобочитаемости и полноту понимания рентгенологических протоколов при сохранении клинической точности в большинстве случаев. Согласно результатам некоторых исследований, оптимальный целевой уровень составляет 8–11 классов; данная рекомендация требует подтверждения в будущих работах. Ключевым условием практического внедрения является верификация упрощённых заключений специалистом, что обусловлено текущим уровнем развития систем контроля качества сгенерированных текстов. Приоритетными направлениями являются крупномасштабные рандомизированные контролируемые исследования с оценкой клинических исходов и валидация подходов в неанглоязычных контекстах. -
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.