Представление метрик диагностической точности в зависимости от классификации программного обеспечения на основе искусственного интеллекта в области лучевой диагностики

Цель: настоящее исследование направлено на разработку клинической классификации программного обеспечения (ПО) на основе искусственного интеллекта (ИИ) в области лучевой диагностики.

Материалы и методы: для проведения исследования был проведён всесторонний анализ доступной информации о ПО на основе ИИ в сфере лучевой диагностики с использованием отечественных и зарубежных баз данных. В процессе анализа были выявлены ключевые аспекты, включая клиническую применимость ПО на основе ИИ, диагностическую точность медицинских изделий с использованием ИИ в лучевой диагностике.

Результаты: была разработана клиническая классификация ПО на основе ИИ в области лучевой диагностики. Кроме того, было выявлено важное замечание относительно представления метрик диагностической точности ПО на основе ИИ. В результате этого предложенная классификация была расширена и дополнена определением уровня представления метрик диагностической точности в зависимости от клинической классификации.

Заключение: на основе проведенного исследования разработана клиническая классификация ПО на основе ИИ, что обеспечивает единый подход к представлению данных о диагностической точности со стороны разработчиков. Данный подход позволяет повысить прозрачность и сравнимость информации о различных ПО на основе ИИ в медицинской практике, что способствует повышению эффективности и безопасности использования ПО на основе ИИ в медицинской практике. Результаты настоящего исследования имеют потенциал для масштабирования на другие области применения ИИ и могут быть использованы для совершенствования системы регулирования качества медицинских изделий с применением ИИ.

1. Базовые рекомендации к работе сервисов искусственного интеллекта для лучевой диагностики: методические рекомендации / сост. С. П. Морозов, Л. Р. Абуладзе, А. Е. Андрейченко и др. // Серия «Лучшие практики лучевой и инструментальной диагностики». – Вып. 119. – М.: ГБУЗ «НПКЦ ДиТ ДЗМ», 2022. – 68 с.

2. Морозов С.П., Зинченко В.В., Хоружая А.Н. и др. Стандартизация искусственного интеллекта в здравоохранении: Россия выходит в лидеры // Врач и информационные технологии. – 2021. – №2. – С.12-19.

3. Васильев Ю.А., Владзимирский А.В., Омелянская О.В. и др. Методология тестирования и мониторинга программного обеспечения на основе технологий искусственного интеллекта для медицинской диагностики // Digital Diagnostics. – 2023. – Т.4. – №3. – С.252-267.

4. Кукшев В.И. Классификация систем искусственного интеллекта // Экономические стратегии. – 2020. – Т.6. – С.58-67.

5. Jungmann F, Müller L, Hahn F, et al. Commercial AI solutions in detecting COVID-19 pneumonia in chest CT: not yet ready for clinical implementation? European Radiology. Springer Berlin Heidelberg, 2022; 32(5): 3152-3160. doi: 10.1007/s00330-021-08409-4.

6. High-rad.com Internet. iCAS. Available at: https://www.high-rad.com. Accessed 21.05.2024.

7. Corelinesoft.com Internet. AVIEW CAC. Available at: https://www.corelinesoft.com. Accessed 21.05.2024.

8. Ai-rad-companion Internet. AI-Rad Companion (Pulmonary) Available at: https://www.siemens-healthineers.com/en-iq/digital-health-solutions/ai-rad-companion. Accessed 21.05.2024.

9. Florkow MC, Nguyen ChH, Sakkers RJB, et al. Magnetic resonance imaging-based bone imaging of the lower limb: Strategies for generating high-resolution synthetic computed tomography. Journal of Orthopaedic Research. 2024; 42(4): 843-854. doi: 10.1002/jor.25707.

10. ПроРодинки интернет. Доступно по: https://prorodinki.ru. Ссылка активна на 21.05.2024.

11. Webiomed.ru интернет. Доступно по: https://webiomed.ru/products/webiomed-dhra/. Ссылка активна на 21.05.2024.

12. Дрокин И.С., Еричева Е.В., Бухвалов О.Л. и др. Опыт разработки и внедрения системы поиска онкологических образований с помощью искусственного интеллекта на примере рентгеновской компьютерной томографии лёгких // Врач и информационные технологии. – 2019. – №3. – C.48-57.

13. Sciberia Lungs Electronic resource. Available at: https://sciberia.ru/?product=lungs. Accessed 23.05.2024.

14. Программный модуль для анализа маммограмм ТУ 58.29.31-003-21494354-2021. М.: Платформа третье мнение, 2021. – С.40.

15. Матвиенко А.В. О требованиях к внедрению искусственного интеллекта в здравоохранение. ПО Цельс интернет. Доступно по: https://portal.egisz.rosminzdrav.ru/files/26.05.2023_Каспий_Матвиенко.pdf. Ссылка активна на 21.05.2024.

16. Классен В. Фтизисбиомед. Медицинский сервис фтизисбиомед для автоматизированного анализа рентгенограмм органов грудной клетки/флюорограмм (искусственный медицинский интеллект) интернет. 2021. Доступно по ссылке: https://files.sk.ru/navigator/company_files/1121134/1640275876_FBMTTM-RU.pdf. Ссылка активна на 24.05.2024.

17. Dice LR. Measures of the Amount of Ecologic Association Between Species. Ecology. 1945; 26(3): 297-302.

18. Erickson BJ, Kitamura F. Magician’s Corner: 9. Performance Metrics for Machine Learning Models. Radiology: Artificial Intelligence. 2021; 3(3): e200126. doi: 10.1148/ryai.2021200126.

19. de Maissin A, Vallée R, Flamant M, et al. Multi-expert annotation of Crohn’s disease images of the small bowel for automatic detection using a convolutional recurrent attention neural network. Endoscopy International Open. 2021; 9(7): e1136-e1144. doi: 10.1055/a-1468-3964.