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

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.