Васильев Ю. А. - 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. -
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. -
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». -
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.