Трансферное обучение для решения задач классификации отоскопических медицинских изображений в диагностике лор-заболеваний

Актуальность. По данным Министерства здравоохранения Российской Федерации ежегодно с заболеваниями уха более 6% населения страны обращается к ЛОР-врачу. В условиях высокой нагрузки на специалистов необходимо ускоренное внедрение методов искусственного интеллекта (ИИ) для помощи в постановке диагнозов.

Цель исследования. Разработка прототипа медицинской системы с ИИ (МС ИИ) для диагностики заболеваний уха по отоскопическим изображениям (ОИ) с достижением диагностической точности на тестовом наборе не менее 95% за счет применения методик на основе трансферного обучения предварительно обученных глубоких нейронных сетей (НС).

Материалы и методы. Выбран и подготовлен размеченный набор данных ОИ для 5 сбалансированных диагностических классов, представленный на ресурсе Kaggle.com. Для эффективной реализации трансферного обучения нейросетевых моделей (НСМ) и предотвращения переобучения был реализован конвейер предварительной обработки и аугментации данных. Представлены разработанный пользовательский веб-интерфейс для интеграции НСМ и применение метода Grad-CAM для визуализации областей диагностики на изображениях.

Результаты. Для трансферного обучения выбраны CNN-модели: ResNet18, ResNet50, EfficientNet-B0 и EfficientNet- B2. Диагностика заболеваний уха по ОИ для 5 диагностических категорий показала следующую точность моделей в порядке упоминания по итогам экспериментов с «мягкой» аугментацией обучающей выборки: 95,3%; 96,1%, 97,8% и 99,7%. Модель ResNet50 с «мягкой» аугментацией обучающей выборки для 3 классов показала общую точ- ность на тестовых данных 97%. Представлены тепловые карты визуализации результатов диагностики с применением метода Grad-CAM.

Заключение. Трансферное обучение с адаптацией выбранных предобученных архитектур ResNet18, ResNet50, EfficientNet-B0 и EfficientNet-B2 к задаче многоклассовой классификации ОИ для сбалансированных классов обеспечило достижение заданной точности автоматической диагностики. Подготовлены условия для организации совместных действий с Могилевской областной клинической больницей по разработке МС ИИ для диагностики болезней уха.

1. Указ Президента РФ №124 от 15.02.2024 г. «О внесении изменений в Указ Президента Российской Федерации от 10 октября 2019 г. №490 «О развитии искусственного интеллекта в Российской Федерации» и в Национальную стратегию, утвержденную этим Указом». Доступно по: http://publication.pravo.gov.ru/document/0001202402150063 Дата обращения: 04.12.2025.

2. Национальный правовой Интернет-портал Республики Беларусь. Искусственный интеллект в Беларуси: какие технологии разрабатывают и как их будут регулировать. 09.06.2025. Доступ- но по: https://pravo.by/novosti/obshchestvenno-politicheskie-i-v-oblasti-prava/2025/june/88987/ Дата обращения: 04.12.2025.

3. Как PIROGOV.AI с помощью ИИ решает проблему очереди к отоларингологу. PIROGOV.AI – система установления экспертного диагноза ЛОР-заболеваний и поддержки принятия врачебных решений по эндоскопическим фото- и видеоизображениям. РБК Тренды. Доступно по: https://trends.rbc.ru/trends/industry/5f97deb09a7947213445eb5f?ysclid=ml6fj5pld112736064. Дата обращения: 04.02.2026.

4. Хубларян А.Г., Крюков А.И., Кунельская Н.Л., и др. Применение алгоритмов искусственного интеллекта для диагностики патологии заболеваний уха // Digital Diagnostics. – 2024. – Т.5. – №1S. – C.102-105. doi: 10.17816/DD627081.

5. Крюков А.И., Гаров Е.В., Сударев П.А. и др. Оценка эффективности искусственной нейронной сети, разработанной с целью классификации отоэндоскопических изображений // Вестник оториноларингологии. – 2025. – №90(3). – С.9‑12. doi: 10.17116/otorino2025900319.

6. Зэн С., Цзян Ц., Ло В. и др. Эффективная и точная идентификация заболеваний уха с использованием модели комплексного глубокого обучения // Scientific Reports. – 2021. – №11. – С.10839. doi: 10.1038/s41598-021-90345-w.

7. Ча Д, Пэ С, Сон С и др. Автоматизированная диагностика заболеваний уха с помощью ансамблевого глубокого обучения с большой базой данных изображений отоэндоскопии // eBioMedicine. – 2019. – №45. – С.606-614.

8. ГОСТ Р 71671—2024. Системы поддержки принятия врачебных решений с применением искусственного интеллекта. М.: Росстандарт, 2024. Дата введения – 2025–01–01. Доступно по: https://e-stomatology.ru/info/399/ Дата обращения: 05.02.2026.

9. Хрящев В.В. Система поддержки принятия врачебного решения с использованием модуля искусственного интеллекта для эндоскопических исследований желудка // Медицинская техника. – 2023. – №6. – С.44–47.

10. Контроль качества. Точность диагностики заболеваний уха, горла, носа. Pirogov.AI. Доступно по: https://pirogov.ai/kontrol-kachestva. Дата обращения: 05.01.2026.

11. Чибисова М.А., Ермолаева Л.А. и др. Применение искусственных нейронных сетей в распознавании данных рентгенологических изображений в амбулаторной стоматологии // REJR. – 2025. – №15(1). – С.41-61. doi: 10.21569/2222-7415-2025-15-1-41-61.

12. Как искусственный интеллект изменит медицину к 2050 году. 30 июля 2025. Доступно по: https://science.mail.ru/articles/5921-ii-v-medicine-2050/?ysclid=ml7wixgcaq947323240. Дата обращения: 05.01.2026.

13. Труфанов Г.Е., Ефимцев А.Ю. Технологии искусственного интеллекта в МР-нейровизуализации. Взгляд рентгенолога // Российский журнал персонализированной медицины. – 2023. – №3(1). – С.6-17. doi: 10.18705/2782-3806-2023-3-1-6-17.

14. Бобровская Т.М., Васильев Ю.А., Никитин Н.Ю., Арзамасов К.М. Подходы к формированию наборов данных в лучевой диагностике. // Врач и информационные технологии. – 2023. – №4. – С.14-23. doi: 10.25881/18110193_2023_4_14.

15. Калинин Д.И., Карякин А.А., Захарченко У.Р., Морозова Д.А. и др. Создание интеллектуальной системы анализа изображений барабанной перепонки для дифференциальной диагностики заболеваний уха // Бюллетень Северного государственного медицинского университета. – 2023. – №2. – С.35-40.

16. Коган Е.Л. Болезни уха (Заболевания ушей): виды, симптомы, диагностика // Поликлиника. Доступно по: https://polyclin.ru/articles/zabolevaniya-ushei/?ysclid=ml99oqb8bg379837255. Дата обращения: 05.02.2026.

17. Методы диагностики заболеваний слуха. Первая клиника Измайлово. Доступно по: https://drtb.ru/otolaringologija/metody-diagnostiki-zabolevanij-sluha?ysclid=miswuxms9w554790961 Дата обращения: 05.12.2025.

18. Что такое Отоскопия? Когда ее применяют? Медицинский центр "Лор Плюс". Доступно по: https://lor-plus.ru/otoskopiya?ysclid=misq8e53qn209502860. Дата обращения: 04.12.2025.

19. Зотина Н.И. Что такое отоскопия? Мегаптека.ру. Опубликовано 09.10.2025. Доступно по: https://megapteka.ru/specials/chto-takoe-otoskopiya-6479. Дата обращения: 04.12.2025.

20. Кристин Х. Мирингосклероз, тимпаносклероз и здоровье ушей. Здоровье от А до Я. Обновлено 10 декабря 2025 г. Доступно по: https/www.verywellhealth.com/myringosclerosis-andtympanosclerosis-1191943. Дата обращения: 04.12.2025.

21. Михайлов А.А. Тимпаносклероз – симптомы и лечение. Дата публикации 18 сентября 2025. Доступно по: https://probolezny.ru/timpanoskleroz. Дата обращения: 04.12.2025.

22. Трансферное обучение: что это, как работает и для чего нужно? Skillbox Media. 14 февраля 2025. Доступно по: https://skillbox.ru/media/code/transfernoe-obuchenie-chto-eto-kak-rabotaeti-dlya-chego-nuzhno/?ysclid=mirmdg8rw1107140364. Дата обращения: 05.12.2025.

23. Черницкая О. Полное руководство по дополнению данных для компьютерного зрения. Medium. 1 июня 2021 года. Доступно по: https://medium.com/data-science/complete-guide-to-dataaugmentation-for-computer-vision-1abe4063ad07. Дата обращения: 04.02.2026.

24. Абхишек С. Тонкая настройка предварительно обученной модели ResNet-18 для классификации изображений на пользовательском наборе данных с помощью PyTorch. Medium. 10 сентября 2024. Доступно по: https://medium.com/@imabhi1216/fine-tuning-a-pre-trained-resnet-18-model-for-image-classification-on-custom-dataset-with-pytorch-02df12e83c2c. Дата обращения: 08.12.2025.

25. Абирами В. Точность (Accuracy) в сравнении с прецизионностью (precision) и полнотой (recall) в машинном обучении. Ultralytics. 20 августа 2025 г. Доступно по: https://www.ultralytics.com/ru/blog/accuracy-precision-recall. Дата обращения: 04.02.2026.

26. Набор данных отоскопических изображений. Kaggle. Доступно по: https://www.kaggle.com/datasets/ucimachinelearning/otoscopic-image-dataset. Дата обращения: 08.12.2025.

27. Березовский В.В., Выговская Н.В. Обзор нейронных сетей для распознавания медицинских изображений // E3S Web of Conferences. – 2023. – №460: 04028. doi: 10.1051/e3sconf/202346004028.

28. Нейросети для обработки медицинских изображений. Everest Solution. 18.01.2025. Доступ- но по: https://everest-solution.com/articles/nejroseti-dlya-obrabotki-mediczinskih-izobrazhenij/?ysclid=mlb1it1w9y117429784. Дата обращения: 04.02.2026.

29. Искусственный интеллект в медицинской диагностике: точность и скорость. Skypro. Доступно по: https://sky.pro/wiki/profession/analiz-medicinskih-izobrazhenij-s-pomoshyu-ii. Дата обращения: 04.02.2026.

30. Кришнакумар Р., Тамилселви К. Классификация отоскопических изображений на основе искусственного интеллекта для обнаружения заболеваний уха. Int. J. Sci. Res. Comput. Sci. Eng. Inf. Technol // 2025. – Т.11. – №4. – С.1-10.

31. Сверточные нейронные сети (CNN): полное руководство по принципам работы, обучению и применению. Блог Kvantech. Доступно по: https://kvan.tech/blog/svertochnye-neyronnyeseti-cnn-polnoe-rukovodstvo-po-printsipam-raboty-obucheniyu-i-primeneniyu. Дата обращения: 05.12.2025.

32. A. J. V, J. S, J. A. Kovilpillai J, A. G и A. K. Классификация отоскопических изображений с использованием встроенного ИИ // Международная конференция IEEE по информационным технологиям, электронике и интеллектуальным коммуникационным системам (ICITEICS). – 2024. Доступно по: https://ieeexplore.ieee.org/abstract/document/10625385. Дата обращения: 04.02.2026.

33. Афифи Х.М., Мохаммед КК, Хассаньен А.Е. Анализ автоматической диагностики заболеваний уха по изображениям на основе оптимизированного подхода к глубокому обучению // Ann Biomed Eng. – 2024. – №52(4). – С.865-876. doi: 10.1007/s10439-023-03422-8

34. Го К, Се Л, Чжоу Л. Глубокое обучение классификации сред отита с использованием отоскопического изображения // Медицина (Балтимор). 28 ноября 2025. Доступно по: https://pmc.ncbi.nlm.nih.gov/articles/PMC12662458. Дата обращения: 04.02.2026. doi: 10.1097/MD.0000000000046218.

35. Цуцуми К., Гоштасби К., Рисбуд А. и др. Веб-модель глубокого обучения для автоматизирован- ной диагностики отоскопических изображений. Отол Нейротол. 1 октября 2021 года. Доступ- но по: https://pmc.ncbi.nlm.nih.gov/articles/PMC8448915. Дата обращения: 05.02.2026.

36. Ашиш Д. Понимание архитектуры EfficientNet – идеальный баланс глубины, ширины и разрешения. Medium. 16 октября 2025 года Доступно по: https://medium.com/@mechatronics420/understanding-efficientnet-architecture-the-perfect-balance-of-depth-width-resolution-809b35b5346c. Дата обращения: 05.02.2026.

37. Архитектура Efficientnet. Geeks forGeeks. 23 июля 2025. Доступно по: https://www.geeksforgeeks.org/computer-vision/efficientnet-architecture. Дата обращения: 05.02.2026.

38. Чхве И, Чхэ Д. и др. Автоматизированная многоклассовая классификация для прогнозирования изменений барабанной перепонки с использованием моделей глубокого обучения. PLoS One. – 2022. – Т.17. – №10. doi: 10.1371/journal.pone.0275846.

39. Кемаль А. Всестороннее сравнение модифицированных глубоких сверточных нейронных сетей для автоматизированного обнаружения состояний внешнего и среднего уха. – 2024. – Т.36. – С.5529–5544. doi: 10.1007/s00521-023-09365-4.

40. Праншу А. Понимание трансформеров зрения: подробное руководство. Medium. 18 июня 2024 года. Доступно по: https://medium.com/@pranshu1902/understanding-vision-transformersa-detailed-guide-c836f7df9ebc. Дата обращения: 04.02.2026.

41. Swin Transformer. GeeksforGeeks. 13 августа 2025. Доступно по: https://www.geeksforgeeks.org/computer-vision/swin-transformer. Дата обращения: 04.02.2026.

42. Эбрахимзаде М., Асади Х. Как использовать трансформеры для трансферного обучения? 31 мая 2023 года. Доступно по: http://dx.doi.org/10.2139/ssrn.4461376. Дата обращения: 04.02.2026.

43. Рехман У. и др. Эффективная и интерпретируемая отоскопическая классификация изображений с помощью дистиллированного CNN с адаптивным каналом внимания // IEEE. – 2025. – Т.13. – С.151082-151096.

44. Дистилляция знаний. Что такое дистилляция знаний? Ultralytics. Доступно по: https://www.ultralytics.com/ru/glossary/knowledge-distillation. Дата обращения: 04.02.2026.

45. Дон-Кён К. Grad-CAM: Градиентный подход к объяснимости в глубоком обучении. Medium. 17 февраля 2025 года. Доступно по: https://medium.com/@kdk199604/grad-cam-a-gradient-basedapproach-to-explainability-in-deep-learning-871b3ab8a6ce. Дата обращения: 08.12.2025.

46. Анкит С. Подробное руководство по пониманию и внедрению ResNet. Доступно по: https://cv-tricks.com/keras/understand-implement-resnets/. Дата обращения: 08.12.2025.

47. Наванит М. Введение в Resnet. 31 января 2024. Доступно по: https://www.scaler.com/topics/residual-networks-resnet-deep-learning/ Дата обращения: 08.12.2025.

48. Абхик С. Пропуск соединений. Пропустить подключения: революция ResNet. 1 апреля 2024 года. Доступно по: https://www.abhik.ai/concepts/deep-learning/skip-connections. Дата обращения: 04.02.2026.

49. ImageNet. Набор данных, использование и примеры. Ultralytics. Доступно по: https://www.ultralytics.com/ru/glossary/imagenet. Дата обращения: 05.12.2025.

50. Шоуке В. Разделённый набор данных для разработки моделей с помощью Python Scikit-learn. Medium. 17 ноября 2022 г. Доступно по: https://medium.com/@shouke.wei/split-dataset-formodel-development-with-python-scikit-learn-7fa83e115981. Дата обращения: 06.02.2026.

51. Метрики оценки производительности моделей машинного обучения. Gimal-Ai. 18.08.2025. Доступно по: https://gimal-ai.ru/blog/metriki-otsenki-proizvoditelnosti-modeley-mashinnogo-ob ucheniya/?ysclid=miwtzbejoi726340652. Дата обращения: 08.12.2025.

52. Эпоха, батч, итерация – в чем различия? Базовый курс. Neurohiv. 27 декабря 2018. Доступно по: https://neurohive.io/ru/osnovy-data-science/jepoha-razmer-batcha-iteracija/?ysclid=mj2fkff kp6514066716. Дата обращения: 08.12.2025.

53. Лаборатория Google. Доступно по: https://colab.google. Дата обращения: 08.12.2025.

54. Модель компьютерного зрения EarAbnormalities. Universe. Доступно по: https://universe.roboflow.com/cso-nhwes/earabnormalities-togvt. Дата обращения: 11.02.2026.

55. Абирами В. Полное руководство по аугментации данных в 2025 году. Ultralytics. 14 февраля 2025 года. Доступно по: https://www.ultralytics.com/ru/blog/the-ultimate-guide-to-data-augmentationin-2025. Дата обращения: 11.02.2026.

56. Ян Л. и др. Мягкое дополнение для классификации изображений. Arxiv. 23 января 2024. Доступно по: https://arxiv.org/html/2211.04625v2. Дата обращения: 09.02.2026.

57. Фагерланд М.В., Лидерсен С, Лааке П. Рекомендуемые доверительные интервалы для двух независимых биномиальных пропорций // Stat Methods Med Res. – 2015. – 24(2). – №224-54. doi: 10.1177/0962280211415469.

58. Доверительный интервал Вильсона для пропорции. Econometrics.blog. 5 февраля 2022. Доступно по: https://www.econometrics.blog/post/the-wilson-confidence-interval-for-a-proportion. Дата обращения: 18.03.2026.

59. Выговская Н.В. LOR_Model_Web: компьютерная программа для диагностики отитов среднего уха по отоскопическим снимкам с использованием искусственного интеллекта. – Зарегистрирована в Реестре программ для ЭВМ 14.11.2025, № 1941. – Срок депонирования до: 02.11.2027. Доступно по: https://search.ncip.by/depon/index.php?pref=1&lng=ru&page=3&target=2391. Дата обращения: 08.12.2025.

60. FastAPI. Документация по FastAPI. Доступно по: https://rhkina.gitlab.io/fastapi. Дата обращения: 08.12.2025.

61. Луи М. Объяснимость ИИ с помощью Grad-CAM: визуализация решений нейронных сетей. 8 января 2025 года. Доступно по: https://edgeimpulse.com/blog/ai-explainability-with-grad-camvisualizing- neural-network-decisions. Дата обращения: 08.12.2025.

62. Щукина Н.А. Нейросетевые модели в задаче классификации медицинских изображений // Моделирование, оптимизация и информационные технологии. – 2021. – №9(4). doi: 10.26102/2310-6018/2021.34.3.022.

63. Козар Р.В., Конойко Н.С., Навроцкий А.А. Методы кластеризации данных для распознавания эндоскопических изображений в задачах компьютерной медицинской диагностики. БГУ- ИР. – 2023. – №21(1). – С.94–97. doi: 10.35596/1729-7648-2023-21-1-94-97.