Искусственный медицинский интеллект «ФтизисБиоМед»: программа автоматизированного анализа цифровых рентгенограмм органов грудной клетки/флюорограмм
Увеличивающиеся из года в год объемы диагностических медицинских исследований породили разумное стремление к развитию и внедрению новых технологий в сфере диагностики и анализа медицинских данных. Одним из наиболее перспективных решений этой проблемы, зарекомендовавших себя в ходе массового практического применения, стали алгоритмы искусственного интеллекта (ИИ). В ходе трехлетнего (начиная с 2020 г.) Московского эксперимента удалось выработать методологии использования ИИ и успешно внедрить его в систему здравоохранения регионального уровня.
В данной статье авторы делятся опытом разработки медицинского ИИ на примере ИИ-сервиса «ФтизисБиоМед» и результатами его применения в условиях реальной клинической практики. Данный ИИ-сервис показал свои качество и надежность, что подтверждается технологическим мониторингом.
Клинические испытания ИИ-сервиса «ФтизисБиоМед» проведены на специально подготовленном верифицированном наборе данных (n=1536) с учетом эпидемиологических показателей распространенности основных заболеваний органов грудной клетки. Средняя чувствительность сервиса составила 0,975 (95% CI: 0,966–0,984).
Медицинский ИИ-сервис «ФтизисБиоМед» зарегистрирован в качестве медицинского изделия (регистрационное удостоверение на медицинское изделие №РЗН 2022/17406 от 31 мая 2022 г.) и активно применяется в Российской Федерации как диагностический инструмент, позволяющий снизить нагрузку на врача-рентгенолога и ускорить процесс получения медицинского заключения.
- Федеральная служба государственной статистики (Росстат). Здравоохранение. URL: https://rosstat.gov.ru/folder/13721.
- Гогоберидзе Ю.Т., Классен В.И., Натензон М.Я., Просвиркин И.А., Сафин А.А. Особенности имплементации систем искусственного интеллекта в задаче анализа двухмерных радиологических изображений. В кн.: Математические методы распознавания образов. М: Российская академия наук; 2019; с. 307–308.
- Huang G., Liu., van der Maaten L., Weinberger K.Q. Densely connected convolutional networks. arXiv; 2018, https://doi.org/10.48550/arXiv.1608.06993.
- Hwang E.J., Park S., Jin K.N., Kim J.I., Choi S.Y., Lee J.H., Goo J.M., Aum J., Yim J.J., Cohen J.G., Ferretti G.R., Park C.M.; DLAD Development and Evaluation Group. Development and validation of a deep learning-based automated detection algorithm for major thoracic diseases on chest radiographs. JAMA Netw Open 2019; 2(3): e191095, https://doi.org/10.1001/jamanetworkopen.2019.1095.
- Морозов С.П., Владзимирский А.В., Кляшторный В.Г., Андрейченко А.Е., Кульберг Н.С., Гомболевский В.А., Сергунова К.А. Клинические испытания программного обеспечения на основе интеллектуальных технологий (лучевая диагностика). Серия «Лучшие практики лучевой и инструментальной диагностики». Вып. 57. М; 2019.
- Rebrova O.Yu., Gusev A.V. Sample size calculation for clinical trials of medical decision support systems with binary outcome. Sovremennye tehnologii v medicine 2022; 14(3): 6, https://doi.org/10.17691/stm2022.14.3.01.
- Sun X., Xu W. Fast implementation of DeLong’s algorithm for comparing the areas under correlated receiver operating characteristic curves. IEEE Signal Process Lett 2014; 21(11): 1389–1393, https://doi.org/10.1109/lsp.2014.2337313.
- Государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы». Эксперимент по использованию инновационных технологий в области компьютерного зрения для анализа медицинских изображений и дальнейшего применения в системе здравоохранения Москвы. URL: https://mosmed.ai.
- Приказ Департамента здравоохранения города Москвы от 19.02.2020 №142 «Об утверждении Порядка и условий проведения эксперимента по использованию инновационных технологий в области компьютерного зрения для анализа медицинских изображений и дальнейшего применения в системе здравоохранения города Москвы».
- LAVAL medical systems. Единый Радиологический Информационный Сервис. URL: https://lvlmed.ru/eris/.
- DICOM® — Digital Imaging and Communications in Medicine. Current Edition. URL: https://www.dicomstandard.org/current/.
- Apache Software Foundation. Apache Kafka. URL: https://kafka.apache.org/.
- Korevaar D.A., Gopalakrishna G., Cohen J.F., Bossuyt P.M. Targeted test evaluation: a framework for designing diagnostic accuracy studies with clear study hypotheses. Diagn Progn Res 2019; 3: 22, https://doi.org/10.1186/s41512-019-0069-2.
- Bossuyt P.M., Reitsma J.B., Bruns D.E., Gatsonis C.A., Glasziou P.P., Irwig L., Lijmer J.G., Moher D., Rennie D., de Vet H.C., Kressel H.Y., Rifai N., Golub R.M., Altman D.G., Hooft L., Korevaar D.A., Cohen J.F.; STARD Group. STARD 2015: an updated list of essential items for Reporting Diagnostic Accuracy Studies. Radiology 2015; 277(3): 826–832, https://doi.org/10.1148/radiol.2015151516.
- Зинченко В.В., Ахмад Е.С., Заюнчковский С.Ю., Шарова Д.Е., Владзимирский А.В., Морозов С.П. Методология проведения клинических испытаний медицинского программного обеспечения с искусственным интеллектом. Медицинская физика 2022; 1: 32.
- Морозов С.П., Владзимирский А.В., Андрейченко А.Е., Ахмад Е.С., Блохин И.А., Гомболевский В.А., Зинченко В.В., Кульберг Н.С., Новик В.П., Павлов Н.А. Регламент подготовки наборов данных с описанием подходов к формированию репрезентативной выборки данных. Часть 1: методические рекомендации. Серия «Лучшие практики лучевой и инструментальной диагностики». Вып. 103. М: ГБУЗ «НПКЦ ДиТ ДЗМ»;
- Наркевич А.Н., Виноградов К.А. Методы определения минимально необходимого объема выборки в медицинских исследованиях. Социальные аспекты здоровья населения 2019; 65(6): 10.
