Семенов С. С. - все статьи автора в журнале
-
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. -
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.