Публикации автора

Цель: настоящее исследование направлено на разработку клинической классификации программного обеспечения (ПО) на основе искусственного интеллекта (ИИ) в области лучевой диагностики.

Материалы и методы: для проведения исследования был проведён всесторонний анализ доступной информации о ПО на основе ИИ в сфере лучевой диагностики с использованием отечественных и зарубежных баз данных. В процессе анализа были выявлены ключевые аспекты, включая клиническую применимость ПО на основе ИИ, диагностическую точность медицинских изделий с использованием ИИ в лучевой диагностике.

Результаты: была разработана клиническая классификация ПО на основе ИИ в области лучевой диагностики. Кроме того, было выявлено важное замечание относительно представления метрик диагностической точности ПО на основе ИИ. В результате этого предложенная классификация была расширена и дополнена определением уровня представления метрик диагностической точности в зависимости от клинической классификации.

Заключение: на основе проведенного исследования разработана клиническая классификация ПО на основе ИИ, что обеспечивает единый подход к представлению данных о диагностической точности со стороны разработчиков. Данный подход позволяет повысить прозрачность и сравнимость информации о различных ПО на основе ИИ в медицинской практике, что способствует повышению эффективности и безопасности использования ПО на основе ИИ в медицинской практике. Результаты настоящего исследования имеют потенциал для масштабирования на другие области применения ИИ и могут быть использованы для совершенствования системы регулирования качества медицинских изделий с применением ИИ.

Все изделия медицинского назначения, как в Российской Федерации, так и в мире, проходят процедуры регистрации. Однако связанные с этим нормы и законодательство регулируются по-разному. Целью данного исследования явилась оценка функциональных возможностей существующей правовой базы и систем регистрации изделий медицинского назначения в некоторых странах мира.

Большие генеративные модели (БГМ) обладают значительным потенциалом для здравоохранения и медицинской науки. Несмотря на экспоненциальный рост числа публикаций, качество и результативность научного изучения БГМ остается неудовлетворительной. В научной литературе утверждается необходимость создания стандартизированных подходов для обеспечения безопасной и эффективной интеграции БГМ в клиническую практику. В системе здравоохранения г. Москвы осуществляется апробация БГМ в качестве средства поддержки принятия врачебных решений, которая потребовала создания особых методов и инструментов для оценки их качества. Представлены две методики оценки качества БГМ, разработанные на основе: анализа литературных данных (всего свыше 200 источников); результатов проведенного авторами этапного комплексного тестирования 204 БГМ; эмпирического опыта оценки качества БГМ на выборке из более 12 000 случаев применения. Методики предназначены для двух основных сценариев применения моделей. В их основе лежат (с учетом сценария) принципы формирования тестовой выборки, специально разработанные и валидированные опросники, способы тестирования, унифицированные требования к составу и структуре результатов оценки качества.

Ключевым направлением внедрения технологий искусственного интеллекта (ИИ) в здравоохранении России является создание и интеграция медицинских изделий с ИИ (МИ с ИИ) в цифровые контуры субъектов Российской Федерации. За 2018–2024 гг. в создание и развитие различных ИИ-продуктов для здравоохранения было инвестировано 4 млрд 712 млн руб., из которых 69 % было вложено со стороны государственных источников. Подведомственные научные центры Минздрава реализуют 215 исследовательских проектов в данной сфере. Разработан и утвержден 21 национальный стандарт и предварительный технический стандарт. На 1 января 2025 г. в России было зарегистрировано 39 МИ с ИИ, благодаря чему суммарно было реализовано 412 региональных проектов внедрения МИ с ИИ, 83 % из которых приходится на анализ изображений, 16 % – анализ электронных медицинских карт. В настоящее время развивается комплекс мероприятий по активному внедрению технологий ИИ в здравоохранение, включая выстраивание нормативно-правового регулирования, привлечение инвестиций, проведение научных исследований и разработок новых продуктов.

Цель исследования - оценка эффекта от внедрения комплекса управленческих решений при переходе научно-практического учреждения от выполнения научно-исследовательских работ к выполнению опытно-конструкторских работ. Было проведено лонгитюдное социологическое исследование с двукратным опросом: до и после внедрения структурированного комплекса системных мер по повышению эффективности научно-исследовательской работы. Внедрение этого комплекса было обусловлено переходом нашего учреждения с этапа выполнения НИР на этап выполнения НИР и НИОКР. В состав комплекса мер были включены идеи матричного и партисипативного управления. В ходе опроса оценивались информированность сотрудников о плане НИР и НИОКР на 2023-2025 гг., их потребности для выполнения плана и степень удовлетворённости от работы, а также уровень понимания имеющихся рисков и их влияния на возможность реализации плана. Благодаря внедрению комплекса системных мер информированность сотрудников об участии в реализации плана НИР и НИОКР выросла с 73,6% до 90,0%, о содержании плана - с 50,0% до 76,0%. Следствием внедрения партисипативного управления стало осознание сотрудниками своих потребностей для выполнения плана, а также рисков его невыполнения. Удовлетворённость условиями реализации плана выросла с 69,0% до 77,0%, а уверенность в возможности успешной реализации плана - с 55,0% до 92,0%. Матричное управление позволило своевременно оценить будущие потребности организации и увеличить штат научных сотрудников, благодаря чему в 2023 г. удалось достичь плановых показателей. Долгосрочное планирование научного труда является необходимым компонентом для развития научно-практического учреждения, организации наукоёмкого производства и сокращения времени между получением новых знаний и созданием продукции и технологий, а также их выходом на рынок. Авторский комплекс системных мер повышает не только эффективность научно-исследовательской работы, но и результативность сотрудников, способствует их профессиональному развитию и создаёт условия для их личностного роста.

В работе представлен селективный обзор литературы, посвящённый использованию алгоритмов компьютерного зрения для диагностики новообразований печени и почек, а также камней в мочевыделительной системе на изображениях компьютерной томографии органов брюшной полости и забрюшинного пространства.
В обзор были включены статьи, опубликованные за период с 01.01.2020 по 24.04.2023 гг.
В задаче сегментации печени и её новообразований алгоритмы, оперирующие пикселями, показали наибольшие значения параметров диагностической точности (точность достигает 99,6%; коэффициент сходства Дайса — 0,99). Задачи классификации новообразований печени на текущий момент лучше решаются воксельными алгоритмами (точность до 82,5%).
Сегментация почек и их новообразований, а также классификация опухолей почек одинаково хорошо выполняются алгоритмами, анализирующими как пиксели, так и воксели (точность достигает 99,3%, коэффициент сходства Дайса — 0,97).
Алгоритмы компьютерного зрения в настоящее время также способны с высокой степенью точности определять конкременты в мочевыделительной системе размерами от 3 мм (точность достигает 93,0%).
Таким образом, существующие алгоритмы компьютерного зрения позволяют не только эффективно выявлять новообразования печени и почек, а также конкременты в мочевыделительной системе, но и с высокой точностью определять их количественные и качественные характеристики.
Более высокая точность определения вида новообразования может быть достигнута за счёт оценки воксельных данных, поскольку в этом случае алгоритм анализирует новообразование полностью в трёх измерениях, а не только в плоскости одного среза.

Аневризмы аорты — «тихие убийцы», развиваются без симптомов и могут привести к летальному исходу. Ежегодно заболеваемость аневризмой грудной аорты составляет около 10 случаев на 100 000 человек, а частота разрывов аневризмы — около 1,6 случая. Ранняя диагностика и лечение могут спасти жизнь пациента. Использование технологий искусственного интеллекта может значительно улучшить качество диагностики и предотвратить летальный исход.

Цель — оценить эффективность применения технологий искусственного интеллекта в выявлении аневризм грудного отдела аорты на компьютерной томографии органов грудной клетки и исследовать возможности использования этих технологий в качестве системы поддержки принятия врачебных решений врача-рентгенолога при первичном описании лучевых исследований.

Материалы и методы. Были оценены результаты использования технологий искусственного интеллекта для выявления аневризмы грудной аорты на компьютерной томографии органов грудной клетки без контрастного усиления. Была сформирована выборка из 84 405 случаев обследования пациентов старше 18 лет, из которых отобрано и ретроспективно пересмотрено сосудистыми хирургами Научно-исследовательского института скорой помощи имени Н.В. Склифосовского 86 исследований с подозрением на наличие аневризмы грудного отдела аорты по данным технологий искусственного интеллекта. Эти исследования были также ретроспективно оценены двумя врачами-рентгенологами.
Была сформирована дополнительная выборка из 968 исследований, взятых в случайном порядке из общего числа, для оценки корреляции возраста пациентов и диаметра грудного отдела аорты.

Результаты. Анализ показал, что в 44 исследованиях аневризма была первично выявлена врачом-рентгенологом, в 31 случае аневризмы не были описаны, но технология искусственного интеллекта помогла выявить патологию. Ещё 6 исследований были исключены из выборки, а в 5 случаях были обнаружены ложноположительные результаты анализа.
Использование технологий искусственного интеллекта обнаруживает и выделяет патологические изменения аорты на медицинских изображениях, тем самым повышая выявляемость аневризмы грудной аорты при интерпретации результатов компьютерной томографии органов грудной клетки на 41%. При первичном описании лучевых исследований и в ретроспективных исследованиях целесообразно использовать технологии искусственного интеллекта для профилактики пропусков клинически значимых патологий — как в качестве системы поддержки принятия врачебных решений для врача-рентгенолога, так и для повышения выявляемости патологического расширения грудного отдела аорты.
По дополнительной выборке в популяции взрослого населения частота дилатации грудного отдела аорты составила 14,5%, а аневризм грудного отдела аорты —1,2%. Данные также показали возрастную зависимость диаметра грудного отдела аорты для мужчин и женщин.

Заключение. Применение технологий искусственного интеллекта в процессе первичного описания результатов компьютерной томографии органов грудной клетки может повысить выявляемость клинически значимых патологических состояний, таких как аневризма грудного отдела аорты. Расширение ретроспективного скрининга по данным компьютерной томографии органов грудной клетки с использованием технологий искусственного интеллекта может улучшить качество диагностики сопутствующих патологий и предотвратить негативные последствия для пациентов.