Подходы к формированию наборов данных в лучевой диагностике
https://doi.org/10.25881/18110193_2023_4_14.
Аннотация
Использование машинного обучения, одной из технологий искусственного интеллекта, в здравоохранении продемонстрировало огромный потенциал для улучшения диагностики и лечения различных заболеваний. Однако успех программного обеспечения на основе технологий искусственного интеллекта в значительной степени зависит от наличия высококачественных наборов медицинских данных, а также инфраструктуры, обеспечивающей процессы управления ими. Создание релевантных, репрезентативных и корректно размеченных наборов данных — сложная и дорогостоящая задача, требующая привлечения большого количества специалистов различного профиля и разработки алгоритма действий при подготовке наборов данных для лучевой диагностики.
В настоящей статье представлена методика подготовки наборов данных лучевой диагностики, которая позволяет установить принципы и протоколы для обеспечения стандартизированной подготовки наборов, создать удобную инфраструктуру организации и управления данными и является основой для разработки инструментов автоматизации процесса создания качественных наборов данных. На основании практического опыта внедрения в лучевую диагностику представленной в статье методики дается указание на основные ошибки, возникающие при подготовке наборов данных лучевой диагностики, и предлагаются пути их решения.
При поддержке: Данная статья подготовлена авторским коллективом в рамках НИОКР «Разработка платформы подготовки наборов данных лучевых диагностических исследований» (№ ЕГИСУ: 123031500003-8) в соответствии с Приказом от 21.12.2022 г. № 1196 «Об утверждении государственных заданий, финансовое обеспечение которых осуществляется за счет средств бюджета города Москвы государственным бюджетным (автономным) учреждениям подведомственным Департаменту здравоохранения города Москвы, на 2023 год и плановый период 2024 и 2025 годов» Департамента здравоохранения города Москвы.
Об авторах
Т. М. Бобровская
ГБУЗ «НПКЦ ДиТ ДЗМ»
Россия
Россия
г. Москва
Ю. А. Васильев
ГБУЗ «НПКЦ ДиТ ДЗМ», ФГБУ «НМХЦ им. Н. И. Пирогова» Минздрава России
Россия
Россия
к.м.н.
Н. Ю. Никитин
ГБУЗ «НПКЦ ДиТ ДЗМ»
Россия
Россия
к.ф-м.н
г. Москва
К. М. Арзамасов
ГБУЗ «НПКЦ ДиТ ДЗМ», РТУ МИРЭА
Россия
Россия
к.м.н.
г. Москва
Список литературы
1. Указ Президента Российской Федерации от 10.10.2019 №490 «О развитии искусственного интеллекта в Российской Федерации» // Электронный фонд правовых и нормативно-техничес ких документов. Доступно по: https://docs.cntd.ru/document/563441794. Ссылка действительна на 28.08.2023.
2. Гусев А.В., Владзимирский А.В., Шарова Д.Е., и др. Развитие исследований и разработок в сфере технологий искусственного интеллекта для здравоохранения в Российской Федерации: итоги 2021 года // Digital Diagnostics. — 2022. — Т.3. — №3. — C.178-194. doi: 10.17816/DD107367
3. Арзамасов К.М., Васильев Ю.А., Владзимирский А.В. и др. Применение компьютерного зрения для профилактических исследований на примере маммографии // Профилактическая медицина. — 2023. — Т.26. — №6. — С.117-123. doi: 10.17116/profmed202326061117
4. Павлов Н.А., Андрейченко А.Е., Владзимирский А.В. и др. Эталонные медицинские датасеты (MosMedData) для независимой внешней оценки алгоритмов на основе искусственного интеллекта в диагностике // Digital Diagnostics. — 2021. — Т.2. — №1. — С.49-66. doi: 10.17816/DD60635.
5. ГОСТ Р 52653-2006. Информационно-коммуникационные технологии в образовании. Термины и определения // Электронный фонд правовых и нормативно-технических документов. Доступ но по: https://docs.cntd.ru/document/1200053103. Ссылка действительна на 28.08.2023.
6. Willemink MJ, Koszek WA, Hardell C, et al. Preparing Medical Imaging Data for Machine Learning. Radiology. 2020; 295(1): 4-15. doi:10.1148/radiol.2020192224.
7. Aggarwal R, Sounderajah V, Martin G, et al. Diagnostic accuracy of deep learning in medical imaging: a systematic review and meta-analysis. NPJ Digit Med. 2021; 4(1): 65. doi:10.1038/s41746-021-00438-z.
8. Владзимирский А.В., Васильев Ю.А., Арзамасов К.М. и др. Компьютерное зрение в лучевой диагностике: первый этап Московского эксперимента. — Москва: Издательские решения, 2022. — 388 с.
9. Васильев Ю.А., Бобровская Т.М., Арзамасов К.М. и др. Основополагающие принципы стандартизации и систематизации информации о наборах данных для машинного обучения в медицинской диагностике // Менеджер здравоохранения. — 2023. — №4. — С.28-41. doi: 10.21045/1811-0185-2023-4-28-41
10. Приказ Министерства здравоохранения Российской Федерации от 24.12.2018 №911н «Об утверждении Требований к государственным информационным системам в сфере здравоохранения субъектов Российской Федерации, медицинским информационным системам медицинских организаций и информационным системам фармацевтических организаций». Доступно по: https://normativ.kontur.ru/document?moduleId=1&documentId=338271. Ссылка действительна на 28.08.2023.
11. Федеральный закон «О персональных данных» от 27.07.2006 №152-ФЗ. Доступно по: https://normativ.kontur.ru/document?moduleId=1&documentId=447363. Ссылка действительна на 28.08.2023.
12. Кульберг Н.С., Гусев М.А., Решетников Р.В. и др. Методология и инструментарий создания обучающих выборок для систем искусственного интеллекта по распознаванию рака легкого на кт-изображениях // Здравоохранение Российской Федерации. — 2020. — Т.64. — №6. — С.343-350. doi: 10.46563/0044-197X-2020-64-6-343-350
13. Борисов А.А., Семенов С.С., Арзамасов К.М. Использование трансферного обучения для автоматизированного поиска дефектов на рентгенограммах органов грудной клетки // Медицинская визуализация. — 2023. — Т.27. — №1. — С.158-169. doi: 10.24835/1607-0763-1243
14. Амелина Е.В., Летягин А.Ю., Тучинов Б.Н. и др. Особенности создания базы данных нейроон кологических 3D МРТ-изображений для обучения искусственного интеллекта // Сибирский научный медицинский журнал. — 2022. — Т.42. — №6. — С.51-59. doi: 10.18699/SSMJ20220606
15. Кивелев Ю.В., Сааренпя И., Кривошапкин А.Л. Формирование набора больших данных для клинических исследований на примере аневризм сосудов головного мозга // Сибирский научный медицинский журнал. — 2023. — Т.43. — №3. — С.86-94. doi: 10.18699/SSMJ20230311
16. Nguyen HQ, Lam K, Le LT, et al. VinDr-CXR: An open dataset of chest X-rays with radiologist’s annotations. Sci Data. 2022; 9(1): 429. doi: 10.1038/s41597-022-01498-w.
Рецензия
Для цитирования:
Бобровская Т.М., Васильев Ю.А., Никитин Н.Ю., Арзамасов К.М. Подходы к формированию наборов данных в лучевой диагностике. Врач и информационные технологии. 2023;(4):14-23. https://doi.org/10.25881/18110193_2023_4_14.
For citation:
Bobrovskaya T.M., Vasilev Yu.A., Nikitin N.Yu., Arzamasov К.M. Approaches to building radiology datasets. Medical Doctor and Information Technologies. 2023;(4):14-23. (In Russ.) https://doi.org/10.25881/18110193_2023_4_14.
Просмотров:
18
Послать статью по эл. почте 