Высшая школа организации и управления здравоохранением
В России создана методология подготовки данных для ИИ-диагностики новообразований печени
Методология формирования и контроля качества медицинских данных для создания систем искусственного интеллекта, предназначенных для диагностики новообразований печени, разработана учеными НМИЦ онкологии им. Н.Н. Блохина.
Разработанный алгоритм охватывает весь цикл подготовки набора данных – от отбора и обезличивания исследований до экспертной проверки разметки медицинских изображений. В основу исследования легли результаты магнитно-резонансной томографии органов брюшной полости пациентов, проходивших обследование в НМИЦ им. Н.Н. Блохина в 2021–2025 годах. В первичную выборку вошли исследования пациентов с доброкачественными и злокачественными очаговыми образованиями печени, выполненные на томографах с напряженностью магнитного поля 1,5 и 3 Тесла.
Результаты работы опубликованы в журнале «Вестник Росздравнадзора». Исследователи в работе отмечают, что современные нейросетевые модели не смогут демонстрировать высокую точность в клинической практике при использовании неполных, неструктурированных или ошибочно размеченных данных, поэтому исследование было сосредоточено на создании единой методологии контроля качества набора, используемого при разработке программного обеспечения.
Подготовка датасета включала шесть этапов: сбор и структурирование информации, обезличивание персональных данных, аннотацию изображений, формирование файлов данных и создание сопроводительной документации.
Авторы подчеркивают, что особое внимание уделялось стандартизации информации. Для каждого исследования формировался структурированный реестр, содержащий сведения о пациенте, диагнозе, морфологической верификации, количестве и размере очагов, характеристиках паренхимы печени, результатах лабораторных исследований, параметрах МРТ и данных о процессе аннотации. Такой подход позволяет не только контролировать полноту и качество информации, но и использовать единый набор данных при подготовке публикаций, отчетов и обучении алгоритмов ИИ.
Отдельный раздел исследования посвящен контролю качества аннотации изображений. Специалисты проанализировали наиболее распространенные ошибки при ручной и полуавтоматической разметке, среди которых неполная или избыточная сегментация печени, пропуск опухолевых очагов, неправильное определение границ новообразований, ошибки при маркировке артефактов и выбор неверных объектов для сегментации. Все выявленные дефекты исправлялись на этапе экспертной валидации. По мнению авторов, разработанная методология позволяет существенно повысить воспроизводимость данных и надежность последующего обучения нейросетевых моделей.
В перспективе разработчики считают необходимым автоматизировать процессы формирования медицинских датасетов и развивать специализированные платформы, объединяющие поиск, обезличивание, разметку и контроль качества медицинских данных в едином цифровом контуре.
