Оценка клинической применимости систем искусственного интеллекта для выявления инфильтративных изменений по рентгенограммам органов грудной клетки в условиях стационара

Цель исследования: изучить возможности систем искусственного интеллекта (СИИ) в стационарных условиях, в частности в выявлении признаков инфильтрации по рентгенограммам органов грудной клетки (РГ ОГК).

Материалы и методы. Исходными данными являлись РГ ОГК в прямой проекции 1537 пациентов стационарных отделений в возрасте от 18 до 102 лет, полученные из Единой Радиологической Информационной Системы Единого Медицинского Информационно-Аналитического Сервиса (ЕРИС ЕМИАС). Факт наличия инфильтрации на РГ ОГК определялся врачом-рентгенологом (Рентгенолог 1) и рентгенологом-экспертом (Рентгенолог 2) со стажем работы больше 5 лет. Рентгенолог 2 размечал исследования в два этапа: на первом этапе были предоставлены только РГ ОГК, на втором этапе в дополнение к рентгенологическим данным был предоставлен доступ к информации о состоянии пациента.

Результаты. Показатели точности для пациентов с переходным состоянием составили 0,755 для СИИ, 0,756 для Рентгенолога 1 и 0,856 для Рентгенолога 2 соответственно. Статистически значимых различий точности между СИИ и Рентгенологом 1 не было выявлено (p>0,05). При рассмотрении сценария использования СИИ как второго мнения точность для пациентов с переходным состоянием составила 0,833, что статистически значимо превышает точность Рентгенолога 1 и СИИ (p<0,05).

Выводы. СИИ могут использоваться в качестве второго мнения при обнаружении признаков инфильтрации по данным РГ ОГК в условиях стационара. Однако в связи с тем, что диагностическая точность СИИ пока недостаточна для практического применения, требуется продолжение дальнейших исследований, направленных на обучение алгоритмов с использованием как визуальных данных, так и данных электронной медицинской карты.

1. Gusev A.V., Artemova O.R., Vasiliev Yu.A., et al. Integration of AI-based software as a medical device into Russian healthcare system: results of 2023. National Health Care (Russia). 2024; 5: 17-24. doi: 10.47093/2713-069X.2024.5.2.17-24.

2. Vasilev Y.A., Sychev D.A., Bazhin A.V., et al. Autonomous artificial intelligence for sorting results of preventive radiological examinations of chest organs: medical and economic efficiency. Digital Diagnostics. 2025; 6: 5-22. doi: 10.17816/DD641703.

3. Hwang E.J., Park J., Hong W., et al. Artificial intelligence system for identification of false-negative interpretations in chest radiographs. European Radiology. 2022; 32: 4468-4478. doi: 10.1007/s00330-022-08593-x.

4. De Groot P.M., Carter B.W., Abbott G.F., et al. Pitfalls in Chest Radiographic Interpretation: Blind Spots. Seminars in Roentgenology. 2015; 50: 197-209. doi: 10.1053/j.ro.2015.01.008.

5. Пилюс П.С., Дрокин И.С., Баженова Д.А., и др. Оценка перспектив использования технологий искусственного интеллекта для анализа КТ-изображений органов грудной клетки с целью выявления признаков злокачественных новообразований в легких. Медицинская визуализация. 2023; 27(2): 138-146.

6. Hofmeister J., Garin N., Montet X., et al. Validating the accuracy of deep learning for the diagnosis of pneumonia on chest x-ray against a robust multimodal reference diagnosis: a post hoc analysis of two prospective studies. European Radiology Experimental. 2024; 8: 20. doi: 10.1186/s41747-023-00416-y.

7. Сервисы искусственного интеллекта в лучевой диагностике. Доступно по: https://mosmed.ai/. Ссылка активна на 05.09.2025.

8. Искусственный интеллект в лучевой диагностике: Per Aspera Ad Astra / Под ред. Ю.А. Васильева и А.В. Владзимирского. М.: Издательские решения; 2025. 491 с.

9. Морозов С.П., Абуладзе Л.Р., Андрейченко А.Е. и др. Базовые рекомендации к работе сервисов искусственного интеллекта для лучевой диагностики: методические рекомендации. Серия «Лучшие практики лучевой и инструментальной диагностики». Вып. 119. — М.: ГБУЗ «НПКЦ ДиТ ДЗМ», 2022. 68 с.

10. Schoonjans F. MedCalc’s Sample size for Area under ROC curve. Available at: https://www.medcalc.org/calc/sample-size-area-under-roc-curve.php. Accessed April 05.09.2025.

11. Andropova P.L., Gavrilov P.V., Kazantseva I.P., et al. Interexpert Agreement Between Emergency Neuroradiologists with Different Levels of Experience in the Rating of ASPECTS. Radiology — practice. 2022; 5: 10-25. doi: 10.52560/2713-0118-2022-5-10-25.

12. Wetcher-Hendricks D. An Expanded McNemar Approach for Evaluation of Longitudinal Data 2025. Preprints 2025. doi: 10.20944/preprints202503.2111.v1.