Разработка интеллектуальной системы поддержки принятия врачебных решений для дифференциальной диагностики бронхогенных карцином. Программная реализация.
Интеллектуальная система поддержки принятия врачебных решений для дифференциальной диагностики бронхогенных карцином – программное решение на основе искусственного интеллекта, предназначенное для автоматизированного анализа рентгеновских снимков органов грудной клетки. Система обнаруживает подозрительные новообразования, классифицирует их по двум основным типам: немелкоклеточному (NSCLC) и мелкоклеточному (SCLC) раку лёгкого, а также визуализирует обнаруженные области и отображает уровень уверенности модели. Разработка направлена на создание дополнительного инструмента для врачей-рентгенологов, который позволит ускорить первичный анализ медицинских изображений и повысить эффективность диагностического процесса.
ПРОБЛЕМНАЯ СИТУАЦИЯ
- Рак лёгкого остаётся одной из наиболее значимых проблем современной онкологии. Своевременное выявление подозрительных изменений имеет важное значение для дальнейшей диагностики и выбора тактики лечения.
- Анализ рентгеновских снимков требует от врача высокой квалификации, внимательности и значительных временных затрат.
- Высокая нагрузка на специалистов лучевой диагностики увеличивает потребность в инструментах автоматизации анализа медицинских изображений.
- Дифференциальная диагностика бронхогенных карцином предполагает распознавание характерных признаков различных типов новообразований.
- При анализе большого количества исследований возрастает риск пропуска подозрительных участков, что обусловливает необходимость разработки дополнительных инструментов поддержки врачебных решений.
ПРЕДЛАГАЕМОЕ РЕШЕНИЕ
Наше решение – интеллектуальная система, объединяющая три ключевые возможности:
1. Автоматическое обнаружение новообразований. Нейросетевая модель анализирует рентгеновский снимок и выделяет области, содержащие признаки подозрительных патологических изменений.
2. Дифференциальная классификация. Система определяет предполагаемый тип обнаруженного новообразования: NSCLC или SCLC.
3. Визуализация результатов. Пользователь получает обработанное изображение с выделенными областями обнаружения, указанием предполагаемого класса и уровня уверенности модели.
Как это работает? Врач загружает рентгеновский снимок в систему. Изображение проходит предварительную обработку и приводится к разрешению 416 × 416 пикселей. Далее оно поступает в нейросетевую модель YOLOv8s, которая выполняет обнаружение и классификацию подозрительных областей. По завершении анализа система отображает результат с визуальным выделением обнаруженных участков и показателями уверенности. Врач может использовать полученную информацию как дополнительный источник данных при анализе снимка и формировании диагностического заключения.
НАШЕ РЕШЕНИЕ В КОНТЕКСТЕ КЛЮЧЕВЫХ ТРЕНДОВ
- Цифровизация здравоохранения – автоматизация отдельных этапов обработки медицинских изображений и развитие цифровых инструментов для медицинских организаций.
- Искусственный интеллект в медицине – применение нейросетевых технологий для обнаружения патологических изменений и классификации медицинских изображений.
- Совершенствование онкологической диагностики – создание дополнительных инструментов для выявления подозрительных изменений и поддержки работы специалистов.
- Повышение эффективности медицинских учреждений – сокращение времени автоматизированной обработки изображений и оптимизация работы врачей-рентгенологов.
- Развитие отечественных медицинских IT-решений – создание специализированного программного обеспечения на основе технологий искусственного интеллекта для российского здравоохранения.
- Масштабирование медицинских цифровых технологий – возможность дальнейшего развития функциональности системы и её адаптации к потребностям различных медицинских организаций.
КОНКУРЕНТЫ
В рамках анализа конкурентной среды были рассмотрены Webiomed, ТОП-3, MedicBK, Galenos и Lexema-Medicine – решения, представленные в сегменте медицинских информационных систем и программных продуктов с применением технологий искусственного интеллекта.
Конкурентное преимущество нашего проекта заключается в специализации на анализе рентгеновских снимков органов грудной клетки для обнаружения и дифференциальной классификации бронхогенных карцином. Система ориентирована на определение двух основных типов рака лёгкого – NSCLC и SCLC. Дополнительной особенностью является сочетание обнаружения патологических областей, классификации и визуализации результатов с указанием уровня уверенности модели.
Таким образом, проект представляет собой специализированный инструмент поддержки врачебных решений, ориентированный на конкретную диагностическую задачу, а не универсальную систему анализа медицинских данных.
ПРОГНОЗИРУЕМЫЕ ЭФФЕКТЫ
Разработанная нейросетевая модель прошла функциональное тестирование на отдельной выборке из 493 рентгеновских изображений, не использовавшихся при обучении и валидации. По результатам испытаний получены следующие показатели:
- 97,1% mAP50 – средняя точность обнаружения объектов;
- 94,3% Precision – точность модели;
- 93,9% Recall – полнота обнаружения;
- 7,9 мс – среднее время обработки одного изображения;
- 100% – доля успешно обработанных тестовых изображений.
Полученные результаты подтверждают работоспособность разработанной модели на тестовой выборке и обосновывают возможность дальнейшего развития программного решения.
Ожидаемые эффекты от внедрения проекта:
- сокращение временных затрат на первичный анализ рентгеновских снимков;
- предоставление врачу дополнительного инструмента для обнаружения подозрительных новообразований;
- поддержка дифференциальной классификации основных типов бронхогенных карцином;
- автоматизация отдельных этапов обработки медицинских изображений и оптимизация работы специалистов;
- создание предпосылок для масштабирования программного продукта и его интеграции в процессы медицинских организаций.
В перспективе внедрение системы может способствовать повышению эффективности диагностического процесса и рациональному распределению рабочего времени медицинского персонала. При этом программное решение предназначено для поддержки врача и не заменяет профессиональную оценку специалиста и постановку окончательного диагноза.
ЦЕЛЕВАЯ АУДИТОРИЯ
Основными потребителями программного решения являются медицинские организации, использующие рентгенологические исследования в диагностической практике:
- Государственные онкологические диспансеры (B2G) – учреждения, специализирующиеся на диагностике и лечении онкологических заболеваний.
- Центры лучевой диагностики – организации, выполняющие рентгенологические исследования и анализ медицинских изображений.
- Частные медицинские центры (B2B) – клиники, заинтересованные во внедрении современных цифровых инструментов и оптимизации диагностических процессов.
- Региональные медицинские учреждения – организации, которым необходимы дополнительные инструменты автоматизированного анализа рентгеновских снимков.
Основная модель взаимодействия с рынком – B2G, предполагающая сотрудничество с государственными медицинскими учреждениями. Дополнительным направлением является работа с частными клиниками и специализированными центрами лучевой диагностики.
КОМАНДА ПРОЕКТА
Над проектом работает междисциплинарная команда из 10 студентов Юго-Западного государственного университета (ЮЗГУ). Участники объединяют компетенции в области искусственного интеллекта, разработки программного обеспечения, анализа данных, информационной безопасности, тестирования и коммерциализации IT-продуктов.
- Королева Елизавета Сергеевна – автор и руководитель проекта, разработчик. Студентка ЮЗГУ, группа ИИ-61м. Отвечает за общее управление проектом, формирование требований, координацию команды и разработку программного решения.
- Кулик Даниил Александрович – Backend-разработчик (Python Developer). Студент группы ИИ-61м. Отвечает за разработку серверной части приложения, реализацию программной логики и взаимодействие между компонентами системы.
- Грачёв Роман Фёдорович – бизнес-аналитик, специалист по коммерциализации (BD Manager). Студент ЮЗГУ, группа ВМ-32Б. Занимается анализом рынка, изучением потребностей потенциальных заказчиков, проработкой бизнес-модели и перспектив коммерциализации проекта.
- Филичкин Илья Алексеевич – UI/UX-дизайнер. Студент ЮЗГУ, группа ИИ-61м. Отвечает за проектирование пользовательского интерфейса и удобство взаимодействия медицинских специалистов с системой.
- Ходунов Родион Валерьевич – ML-инженер. Студент ЮЗГУ, группа ИИ-61м. Отвечает за разработку, обучение, настройку и оптимизацию моделей машинного обучения для обнаружения и классификации новообразований.
- Чернов Сергей Александрович – DevOps-инженер / MLOps-специалист. Студент ЮЗГУ, группа ИИ-61м. Отвечает за настройку инфраструктуры, организацию процессов развёртывания программного решения и обеспечение стабильной работы ML-компонентов.
- Фандеева Софья Андреевна – Frontend-разработчик. Студентка ЮЗГУ, группа ИИ-61м. Отвечает за разработку клиентской части приложения и реализацию пользовательского интерфейса.
- Даниленко Даниил Викторович – специалист по информационной безопасности (Data Privacy Officer). Студент ЮЗГУ, группа ВМ-32Б. Отвечает за проработку вопросов защиты медицинских данных, конфиденциальности информации и требований информационной безопасности.
- Серая Анжелика Валерьевна – инженер по данным (Data Engineer). Студентка ЮЗГУ, группа ИИ-61м. Отвечает за подготовку, обработку, структурирование и организацию хранения данных, используемых при разработке и тестировании системы.
- Суровцев Артём Юрьевич – инженер по тестированию (QA Engineer). Студент ЮЗГУ, группа ВМ-32Б. Отвечает за проверку работоспособности программного решения, тестирование функциональности и выявление ошибок.
