Целесообразность двойного автоматизированного просмотра результатов рентгенологических исследований (по материалам московского эксперимента по компьютерному зрению в лучевой диагностике)

Введение: Массовые профилактические лучевые исследования органов грудной клетки (ФЛГ и рентгенография) играют важнейшую роль в выявлении социально-значимых заболеваний, но сопровождаются значительной нагрузкой на систему здравоохранения. Автоматизация сортировки результатов с использованием медицинских изделий (МИ) на основе технологий искусственного интеллекта (ТИИ) открывает возможности для оптимизации процессов, позволяя исключить из описания врачом исследования без признаков патологии. Однако даже высокая точность ИИ не исключает редких ложноотрицательных случаев, что может быть критичным при скрининге.

Цель: Оценка эффективности модели двойного автоматизированного просмотра при автономной сортировке результатов профилактических исследований.

Материалы и методы: В исследование включены 411 клинических случаев, ранее ошибочно отнесенных к категории «норма». Каждое исследование было повторно проанализировано другим ИИ-сервисом.

Результаты: В результате повторной сортировки корректная идентификация патологий достигнута в 31,6% случаев, в том числе снижение числа клинически значимых расхождений составило 25,5%. При моделировании двойного автоматизированного просмотра удельный вес ложноотрицательных решений снизился с 0,071% до 0,052%.

Обсуждение: Установлены существенные различия в качестве работы различных ИИ-сервисов, что подчеркивает необходимость их тщательного пострегистрационного мониторинга и возможности замены неэффективных решений.

Заключение: Таким образом, двойной автоматизированный просмотр улучшает безопасность автономной сортировки, позволяя минимизировать количество пропущенных патологий. Вместе с тем он требует стратегического подхода к выбору ИИ-решений, а также может сопровождаться снижением производственной эффективности системы. Оптимальное соотношение пользы и риска должно определяться с позиции общественной значимости профилактических программ.

1. Игнатьева В.И., Концевая А.В., Калинина А.М. и др. Социально-экономическая эффективность мероприятий по раннему выявлению онкологических заболеваний при диспансеризации // Профилактическая медицина. 2024. Т. 27, No. 1. С. 36–44.

2. Кравченко А.Ф., Шепелева Л.П. Эффективность и рентабельность массового профилактического флюорографического обследования населения на примере Республики Саха (Якутия) // Вестник Центрального научно-исследовательского института туберкулеза. 2021. № 1. С. 76–86.

3. Голубев Н.А., Огрызко Е.В., Тюрина Е.М. и др. Особенности развития службы лучевой диагностики в Российской Федерации за 2014–2019 года // Современные проблемы здравоохранения и медицинской статистики. 2021. С. 356–375.

4. Трофимова Т.Н., Козлова О.В. Лучевая диагностика 2019 в цифрах и фактах // Лучевая диагностика и терапия. 2020. Т. 11, № 4. С. 96–99.

5. Тюрин И.Е. Лучевая диагностика в Российской Федерации // Онкологический журнал: лучевая диагностика, лучевая терапия. 2018. № 1 (4). С. 43–51.

6. Шелехов П.В. Кадровая ситуация в лучевой диагностике // Современные проблемы здравоохранения и медицинской статистики. 2019. № 1. С. 265–275.

7. Никитин Е.Д., Плаксин Н.С., Гарец М.Б., Гутин Е.М. Сравнение способов работы системы искусственного интеллекта в режиме сверхвысокой чувствительности для автономного описания цифровых флюорограмм без патологии // Digital Diagnostics. 2024. Т. 5, № S1. С. 71–73

8. Бородулин Б.Б., Гогоберидзе Ю.Т., Жилинская К.В. и др. Опыт применения искусственного интеллекта для автоматизированного анализа цифровых рентгенограмм в условиях городской больницы // Digital Diagnostics. 2024. Т. 5, № S1. С. 127–129

9. Васильев Ю.А., Тыров И.А., Владзимирский А.В. и др. Новая модель организации массовых профилактических исследований, основанная на автономном искусственном интеллекте для сортировки результатов флюорографии // Здоровье населения и среда обитания — ЗНиСО. 2023. Т. 31, № 11. С. 23–32.

10. Васильев Ю.А., Сычёв Д.А., Бажин А.В. и др. Автономный искусственный интеллект для сортировки результатов профилактических рентгенологических исследований органов грудной клетки: медицинская и экономическая эффективность // Digital Diagnostics. 2025. Т. 6, № 1. С. 5–22.

11. Morozov S., Guseva E., Ledikhova N. еt al. Telemedicine-based system for quality management and peer review in radiology // Insights Imaging. 2018. Vol. 9, No. 3. Р. 337–341. doi: 10.1007/s13244-018-0629-y.

12. Guseva E., Morozov S., Burenchev D. еt al. Remote radiological audit: a regional quality assurance system // Insights Imaging. 2018. Vol. 9 (Suppl. 1). Р. 228–230. doi: 10.1007/s13244-018-0603-8.

13. Dyer T., Dillard L., Harrison M. et al. Diagnosis of normal chest radiographs using an autonomous deep-learning algorithm // Clin. Radiol. 2021. Jun; Vol. 76, No. 6. Р. 473. e9–473.e15. doi: 10.1016/j.crad.2021.01.015.

14. Kim T.K., Yi P.H., Wei J. et al. Deep Learning Method for Automated Classification of Anteroposterior and Posteroanterior Chest Radiographs // J. Digit Imaging. 2019. Dec. Vol. 32, No. 6. Р. 925–930. doi: 10.1007/s10278-019-00208-0.

15. Park C.M. AI: Workload Reduction by Autonomous Reporting of Normal Chest Radiographs // Radiology. 2023. May. Vol. 307, No. 3. e230252. doi: 10.1148/radiol.230252.

16. Plesner L.L., Müller F.C., Nybing J.D. et al. Autonomous Chest Radiograph Reporting Using AI: Estimation of Clinical Impact // Radiology. 2023. Vol. 307, No. 3. e222268. doi: 10.1148/radiol.222268.

17. Васильев Ю.А., Памова А.П., Арзамасов К.М. и др. Представление метрик диагностической точности в зависимости от классификации программного обеспечения на основе искусственного интеллекта в области лучевой диагностики // Врач и информационные технологии. 2025. № 1. С. 58–69.

18. Arzamasov K., Vasilev Y., Zelenova M. et al. Independent evaluation of the accuracy of 5 artificial intelligence software for detecting lung nodules on chest X-rays // Quant Imaging Med. Surg. 2024. Vol. 14, No. 8. Р. 5288–5303. doi: 10.21037/qims-24-160.

19. Васильев Ю.А., Владзимирский А.В., Омелянская О.В. и др. Обзор метаанализов о применении искусственного интеллекта в лучевой диагностике // Медицинская визуализация. 2024. Т. 28, No. 3. С. 22–41.

20. Kelly B.S., Judge C., Bollard S.M. et al. Radiology artificial intelligence: a systematic review and evaluation of methods (RAISE) [published correction appears in Eur. Radiol. 2022. Nov; Vol. 32, No. 11. Р. 8054. doi: 10.1007/s00330-022-08832-1.] // Eur. Radiol. 2022. Vol. 32, No. 11. Р. 7998–8007. doi:10.1007/s00330-022-08784-6.

21. Ng C.K.C. Diagnostic Performance of Artificial Intelligence-Based Computer-Aided Detection and Diagnosis in Pediatric Radiology: A Systematic Review // Children (Basel). 2023. Vol. 10, No. 3. Р. 525. Published 2023. Mar 8. doi:10.3390/children10030525.