AI рекомендательные системы для диагностики заболеваний (злокачественные образования)

Задача

Для анализа злокачественных образований рассматривалась система, которая использует не только медицинское изображение, но и связанные с ним данные. В постановку вошли DICOM-снимки, атрибуты исследования и формализованные протоколы.

Отдельно сформулированы классификация снимков или исследований и сегментация предполагаемой патологии. Эти задачи дают разные виды результата: оценку категории исследования и расположение подозрительного участка на изображении. Их качество необходимо проверять раздельно.

Архитектура решения

Предложено объединить алгоритмы в ансамбль обработки медицинских данных. Один блок анализирует DICOM-атрибуты и признаки формализованных протоколов. Другой работает с изображениями: выделяет области изменений и решает задачу классификации.

Для сегментации в проекте рассматривались U-Net, W-Net, Mask R-CNN, MeshNet и сочетание свёрточных сетей с CRF. В технологическом контуре указаны Python, TensorFlow и PyTorch. Перечень отражает исследуемые методы. Сегментационный результат позволяет сопоставлять геометрию очага с исходным снимком, а данные протокола добавляют контекст исследования.

Формат результата

Демонстрационный вывод показывает оценку вероятности злокачественного образования и информацию об обнаруженном очаге, включая его объём. Это пример того, как результат обработки можно представить специалисту вместе с исследованием.

Значение вероятности для отдельного снимка не является точностью системы. Целевые пороги классификации и сегментации из постановки также не подтверждают достигнутое качество на независимой выборке. Оценку алгоритма проверяет врач; для применения в практике требуется валидация целевого сценария.

Подобная работа с изображениями и протоколами входит в направление медицинских решений Z-med.