Разработка комплекса нейронных сетей детектирования структурных изменений паренхимы легких (очаговые, фокальные, диссеминированные изменения). Разработка плагина интеллектуальной системы анализа медицинских изображений для программного обеспечения рабочего места врача рентгенолога.

Представлены сведения о результатах разработки комплекса нейронных сетей для автоматизированной детекции округлых образований легких при постобработке dicom-данных компьютерной томографии с автоматизированным распределением выявленных очаговых изменений легких согласно классификатору Lung-RADS v. 1.1 (2019) и МКБ10. Выявлена возможность применения разработанной модели нейронных сетей для скрининга округлых образований легких на основе данных компьютерной томографии. На основе разработанного диагностического дерева решений, адаптированного для машинного обучения, разработан алгоритмизованный комплекс, состоящий из набора обученных моделей нейронных сетей с архитектурой U-net. В основе каждой диагностической модели лежит разработанная модель нейронной сети, обученная идентифицировать узел в легком. Наборы данных (n = 1146; датасет) для обучения нейронных сетей подготовлены из 470 кт исследований органов грудной клетки и дополнены данными из открытого для свободного доступа датасета LIDS/IDRA. Датасет состоит из следующих патологий: очаговые проявления туберкулеза легких (n = 318), кальцифицированный очаг или фокус (n = 188), рак легкого (n = 448), внутрилегочный лимфатический узел (n = 192). Валидирование проводились на двух выборках, n = 81/109 (190). Разработанный алгоритм позволяет автоматически определять узлы и дифференцировать их согласно классификатору Lung-RADS (в эксперименте на тестовых выборках образца с коэффициентами истинноположительных 0,80 - 0,89 и ложноотрицательных результатов 0,10 - 0,14; точность в эксперименте на валидационной выборке 93,59% и показатель ROC AUC 0.910 с коэффициентами истинноположительных 0,89 - 0,90 и ложноотрицательных результатов 0,10 - 0,08). Точность разработанных моделей достаточна для клинических испытаний. Применение метода глубокого обучения нейронных сетей для анализа медицинских изображений для сегментации и классификации позволяет с достаточной чувствительностью и специфичностью автоматически определять узлы в легких и может иметь перспективы использования для скрининга рака легких. Точность нейронной сети будет улучшаться при увеличении данных в обучающем датасете.