Экспертные заключения: 2
Консультации: 0

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.

Ссылка

На страницу проекта

Направление

Здравоохранение, медицина, фармацевтика

Рынки

HealthNet

Сквозные технологии

Искусственный интеллект

Похожие проекты

Разработка и программная реализация системы поддержки принятия врачебных решений в хирургии и урологии с использованием технологий компьютерного зрения «Smart Urology Decision (SUD)»
0 комментариев
Разработка интеллектуальной системы поддержки принятия врачебных решений «Электронный ассистент терапевта»
0 комментариев
Разработка интеллектуальной системы поддержки принятия решений «Умная скважина» на основе многопараметрического анализа и методов машинного обучения
0 комментариев
Исследование и разработка программного обеспечения поддержки принятия врачебных решений на основе результатов анализа данных лучевой диагностики с применением технологий компьютерного зрения
0 комментариев
Интеллектуальная система поддержки принятия врачебных решений (СППВР) для диагностики и лечения желчнокаменной болезни
1 комментарий