Методология создания эталонных наборов данных для интеллектуальных алгоритмов, направленных на автоматизированную диагностику кровоизлияний на компьютерной томографии головного мозга

КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

ОБЩИЕ СВЕДЕНИЯ

Номер проекта 22-25-20231

НазваниеМетодология создания эталонных наборов данных для интеллектуальных алгоритмов, направленных на автоматизированную диагностику кровоизлияний на компьютерной томографии головного мозга

Руководитель Кремнева Елена Игоревна, Доктор медицинских наук

Организация финансирования, регион Государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы» , г Москва

Конкурс №65 - Конкурс 2022 года «Проведение фундаментальных научных исследований и поисковых научных исследований малыми отдельными научными группами» (региональный конкурс)

Область знания, основной код классификатора 05 - Фундаментальные исследования для медицины; 05-602 - Физические методы медицинской диагностики. Томография

Ключевые слова Лучевая диагностика, искусственный интеллект, компьютерная томография, внутричерепные кровоизлияния, черепно-мозговая травма, геморрагический инсульт, базы данных

Код ГРНТИ76.13.25

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
Острые нарушения мозгового кровообращения (ОНМК) остаются второй по частоте причиной смерти взрослого населения как в мире, так и в России. В мировом масштабе инсульт уносит жизни 6,5 миллионов человек в год. По данным Федеральной службы государственной статистики РФ, в России за 2020 год инсульт был диагностирован у более чем 216 тысяч человек, около 60% из которых попали в ту или иную инвалидную группу, причем, треть из них находилась в трудоспособном возрасте. Причем геморрагический инсульт или геморрагическая трансформация ишемического инсульта увеличивают риск инвалидизации в три раза, а смертельного исхода – в полтора раза. В контексте высокой смертности выступают также травматические поражения мозга с развитием внутричерепного кровоизлияния, занимающее второе место по частоте встречаемости среди всех травм в Российской Федерации. Доказанными факторами, которые предопределяют исход пациентов с внутричерепными кровоизлияниями, являются неотложная госпитализация больных в стационары с сосудистыми и хирургическими отделениями и безотлагательное проведение им при отсутствии противопоказаний и наличии показаний специализированного лечения (дренирование, удаление гематомы; при верификации ишемического инсульта в отсутствие признаков геморрагического пропитывания - системный тромболизис или механическая тромбэкстракция). Первым объективным, простым и быстрым диагностическим методом, который позволяет лечащему врачу принять решение о возможности проведения специализированной терапии и ее типе, является бесконтрастная компьютерная томография (КТ) головы. Маршрутизация пациентов данного профиля регламентируется Приказом Минздрава РФ от 15 ноября 2012 года №928н и Приказом ДЗМ от 10 февраля 2017 года №79. В стационарах Москвы ежемесячно проводится около 2500 КТ головы (в 2020 году 54 885 компьютерных томографий), диагностируется более 300 кровоизлияний. По данным литературы, врачи-рентгенологи разного уровня могут пропускать небольшие кровоизлияния, особенно субарахноидальной локализации, а также небольшие зоны ушибов, расположенные близко к костям черепа или мелкие субдуральные гематомы, что влечет дополнительные риски негативных исходов. И наоборот, возможна ложноположительная диагностика субарахноидальных или субдуральных гематом, за которые принимаются артефакты от костей черепа. Автоматизация диагностики ОНМК и травматических кровоизлияний с помощью сервисов, работающих на основе алгоритмов искусственного интеллекта, включая автоматическое определение объема кровоизлияний, может ускорить процесс постановки диагноза и сделать его более точным, что обеспечит пациента необходимой помощью в кратчайшие сроки и снизит вероятность неблагоприятных исходов. По этой причине качеству работы подобных сервисов необходимо уделять особое внимание. В первую очередь оно зависит от качества данных, на которых алгоритм искусственного интеллекта обучается, данных, которые предназначены для его тестирования и ввода в эксплуатацию, а также специфики технического оснащения городской системы здравоохранения. На данный момент методологии создания датасетов для дообучения и тестирования интеллектуальных алгоритмов, направленных на анализ диагностических изображений различного типа, только разрабатываются. И пока не существует научного обоснования важности включения в обучающие и тестировочные базы данных тех или иных клинических и технических параметров (например, типа кровоизлияний, их количества, сочетанности с другими патологиями, а также параметров сканирования и силы тока рентгеновской трубки, реконструкции изображений и других), которые бы в конечном итоге могли повлиять на результат работы интеллектуальных алгоритмов. Поэтому цель нашей работы – разработать методологию создания баз данных для дообучения и тестирования интеллектуальных алгоритмов, направленных на диагностику интракраниальных кровоизлияний на компьютерной томографии головного мозга, с оптимальным набором характеристик и параметров, достаточных для корректной проверки качества работы интеллектуальных систем и их доработки.

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Публикации

1. Хоружая А.Н., Козлов Д.В., Арзамасов К.М., Кремнева Е.И. Анализ текстов описаний КТ-исследований головного мозга с признаками внутричерепных кровоизлияний с помощью алгоритма дерева решений Современные технологии в медицине, 2022, том 14, номер 6, стр. 34 (год публикации - 2022)
10.17691/stm2022.14.6.04

2. Новик В.П., Кульберг Н.С., Арзамасов К.М., Четвериков С.Ф., Хоружая А.Н., Козлов Д.В., Кремнева Е.И. Распознавание областей текста с персональными данными на диагностических изображениях Медицинская Визуализация, 2023; 27 (4): 150–158 (год публикации - 2023)
10.24835/1607-0763-1263

3. Зинченко В.В., Арзамасов К.М., Кремнева Е.И., Владзимирский А.В., Васильев Ю.А. Технологические дефекты программного обеспечения с искусственным интеллектом Digital Diagnostics, Т. 4, № 4 С. ХХ–ХХ, CC BY-NC-ND 4.0 International (год публикации - 2023)
10.17816/DD501759

4. Кремнева Е.И., Сморчкова А.К., Хоружая А.Н., Семенов Д.С., Мальцев А.В., Шарова Д.Е., Зинченко В.В., Владзимирский А.В. Особенности формирования наборов данных для сервисов с искусственным интеллектом в нейровизуализации на примере создания набора данных с КТ-изображениями головного мозга с признаками кровоизлияния Врач и информационные технологии (год публикации - 2023)

5. Анна Хоружая, Татьяна Бобровская, Дмитрий Козлов, Дмитрий Кулиговский, Владимир Новик, Кирилл Арзамасов, Елена Кремнева Expanded Brain CT Dataset for the Development of AI Systems for Intracranial Hemorrhage Detection and Classification Data, 9(2):30 (год публикации - 2024)
10.3390/data9020030

6. Хоружая А.Н., Козлов Д.В., Арзамасов К.М., Кремнева Е.И. Сравнение ансамбля алгоритмов машинного обучения и BERT для анализа текстовых описаний КТ головного мозга на предмет наличия внутричерепных кровоизлияний Современные технологии в медицине (год публикации - 2024)

Публикации