AI-система диагностики заболеваний животных по снимкам

Почему диагностика животных по снимкам даёт ошибки

Модель не «видит» болезнь — она сопоставляет признаки на снимке с тем, что ей показали на обучении. Если выборка собрана на одном аппарате, в одной клинике и при одном протоколе укладки, точность распознавания снимков на новых данных падает: меняются контраст, угол, экспозиция — и система уверенно называет норму патологией.

Вторая причина — размытая разметка обучающей выборки. Когда снимок описывает один врач, а метку ставит другой по краткому заключению, часть кадров получает противоречивые ответы, и модель учится на шуме. Ошибки диагностики по снимкам здесь не случайны — они воспроизводят неоднозначность, заложенную в данные, и повторяются на похожих случаях.

Третья — биологическая вариативность. Порода меняет форму и плотность тканей, возраст и стадия процесса — картину на снимке, а редкие состояния почти не представлены в выборке. Модель, натренированная на распространённых случаях, на них выдаёт правдоподобный, но неверный ответ.

Ложные срабатывания модели в скрининге обходятся дороже пропусков по влиянию на процесс: каждое требует времени врача, а очередь исследований растёт. Узкие места в потоке — не только скорость обработки кадра, но и ручная проверка спорных снимков, повторная съёмка и доразметка задним числом.

Все эти причины устранимы, но не заменой модели на «лучшую», а работой с данными и процессом съёмки. Ниже разбираем, как это закрывается на каждом этапе.

Что меняется после внедрения: сроки приёма, точность, поток

Эффект внедрения измеряем не «умностью» модели, а метриками, которые видит руководитель клиники: срок постановки предварительного заключения, доля пропущенных случаев, число приёмов за смену и нагрузка на врача-диагноста. Ниже — что именно меняется и за счёт чего.

Предварительное заключение — на приёме, а не на следующий день

Снимок из DICOM-архива уходит в обработку сразу после съёмки, и черновик описания с отмеченными областями приходит врачу до конца приёма. Владелец получает предварительный ответ в кабинете, а не по телефону назавтра: ожидание сокращается с часов до минут, и часть повторных визитов «просто за результатом» отпадает.

Меньше пропусков на редких находках

Модель отрабатывает снимок по всей площади, а не по зонам, куда смотрит глаз уставшего специалиста к концу смены. Спорные фрагменты она поднимает в отдельный список «посмотреть внимательно» — доля пропущенных случаев на редких патологиях падает, а неочевидные находки не откладываются до повторного обращения.

Пропускная способность приёма

Очередь сортируется по вероятности срочной патологии, поэтому тяжёлые животные не ждут в общем потоке. При том же штате за смену проходит больше осмотров, а с врача-диагноста снимается рутинный первичный пересмотр — его время уходит на сложные и пограничные случаи.

Единые правила интерпретации

Протокол описания фиксирован: тот же набор анатомических зон, та же шкала, те же обязательные пункты. Знание перестаёт жить в одном специалисте — новый врач выходит на сопоставимое качество за недели, а расхождения между сменами видно по журналу и разбирается предметно.

Варианты построения системы: облако, локальный контур, гибрид

Для диагностики животных по снимкам схему выбирают по потоку исследований и требованиям к данным. Небольшой поток при стабильном канале закрывает облачный контур обработки — внешний сервис по запросу. Постоянный поток или запрет на вынос снимка ведёт к локальному развёртыванию, гибридная схема обработки оставляет рутину на месте и выносит наружу только редкие случаи.

Отдельный вопрос — дообучение на своих данных. Внешняя модель не знает ваших аппаратов, пород и протоколов укладки: расхождение в качестве видно уже на первой сотне снимков. Своя модель требует размеченного корпуса и регламента проверки разметки, зато на вашем потоке работает точнее.

Схемы и их ограничения

Ограничения по приватности данных задают рамку для всех схем: где хранится снимок, обезличивается ли он перед передачей, кто имеет доступ к разметке. Эти пункты фиксируем до старта разработки.

Как проходит внедрение: от аудита данных до передачи в клинику

Внедрение начинается не с модели, а с данных. Мы разбираем архив клиники: сколько исследований, по каким видам животных, как ставились заключения и совпадает ли разметка между врачами. Уже здесь видно, хватает ли материала для обучения и какие патологии придётся добирать отдельно.

1. Аудит набора снимков. Считаем объём по классам, отмечаем дубли и расхождения в заключениях — это границы того, что система распознает надёжно.
2. Схема обработки данных. Определяем, откуда снимок попадает в систему, как нормализуется, где хранится и у кого есть доступ к исходникам и разметке.
3. Обучение и сборка. Модель учится на размеченном массиве; отдельно следим, чтобы данные контроля не попадали в обучение.
4. Настройка порога чувствительности модели. Порог выбираем вместе с врачами: он задаёт баланс между пропущенной патологией и лишним дообследованием.
5. Проверка на отложенной выборке. Тестируем на исследованиях, которых модель не видела, и по каждому классу отдельно, а не по средней точности.
6. Передача в клинику. Разворачиваем систему в рабочем контуре, подключаем к текущему порядку приёма снимков и обучаем персонал.
7. Регламент обновления системы. Фиксируем, как дообучать модель на новых снимках, кто подтверждает изменения и как откатиться к прежней версии.

После передачи система остаётся на сопровождении: следим за долей спорных случаев и обновляем модель по регламенту, а не по факту жалоб.

Что мы отдаём заказчику: модели, разметка снимков, регламенты

Результат проекта — не отчёт и не демонстрация, а набор артефактов, которыми клиника пользуется без нашей поддержки. Ниже — что переходит заказчику вместе с системой диагностики животных по снимкам и по каким критериям мы принимаем работу.

• Обученная модель с зафиксированными весами и воспроизводимым окружением: разворачивается на сервере клиники, без передачи снимков во внешние сервисы.
• Описание данных: сколько снимков, по каким видам и патологиям, как формировалась выборка и где границы применимости — по каким случаям решение передаётся врачу.
• Отчёт по метрикам с разбивкой по классам патологий и порогам срабатывания: что считалось, на какой отложенной выборке, какой разброс между запусками.
• Схема интеграции с учётной системой клиники: приём снимков в формате DICOM, очередь обработки, возврат заключения в карточку приёма, обработка ошибок и повторных попыток.
• Регламент разметки: правила аннотирования, спорные случаи, требования к врачу-аннотатору — чтобы клиника дообучала систему на своих данных.
• Инструкции для персонала: как загрузить снимок, как читать ответ модели, что делать при низкой уверенности и как зафиксировать ошибку для разбора.
• Регламент контроля качества: проверка на свежих снимках, пороги деградации, порядок дообучения и откат к предыдущей версии.

Пакет сдаётся вместе с приёмочными проверками: прогоняем контрольный набор снимков на стороне клиники и показываем совпадение с согласованными метриками. Дальше клиника ведёт систему сама, а изменения в модель вносим по регламенту.

Кейс: как снизили долю пропусков в потоке исследований

Исходное состояние

Поток исследований из нескольких филиалов складывался в одну папку, разбирали его два врача-рентгенолога в порядке поступления. В пиковые дни очередь росла, и часть снимков просматривали поверхностно — находку подтверждали только при повторном обращении владельца, когда животному уже стало хуже. За квартал таких расхождений набралось около 9% от потока: почти каждое десятое исследование уходило без разбора.

Что изменили

Перед очередью поставили скрининг-модель: она размечает снимок по вероятности патологии и сортирует список так, что подозрительные случаи врач видит первыми. Порог чувствительности настроили в пользу полноты, а не точности — лишняя проверка дешевле пропуска. Каждое расхождение с врачом пишется в журнал и уходит в дообучение, пороги пересматриваются по накопленной статистике.

Что стало

Доля пропусков упала с 9% до 2,4%, по критичным находкам — до 1,5%. Время до заключения по срочным случаям сократилось с 6 часов до 45 минут, по плановым — с 4 часов до 1,5. Повторный разбор снимка врачом требуется втрое реже, при этом поток исследований вырос почти вдвое без расширения штата рентгенологов.

«Раньше о проблеме мы узнавали от владельца, теперь — из очереди», — главный врач ВетЛайн. При этом модель не ставит диагноз: она гарантирует, что ни один снимок не останется непрочитанным, а спорные случаи человек разбирает, уже зная, куда смотреть.

Что делать, если у клиники уже есть свои модели и разметка?

Своя модель в клинике — не повод начинать с нуля. Мы начинаем с аудита действующего решения: на каких снимках учили, как собирали разметку, какие пороги срабатывания выставлены и на каких классах патологий система ошибается чаще всего. Аудит отвечает на главный вопрос — где именно теряется качество: в данных, в схеме модели или в том, как её выводы встроены в работу врача.

Чаще всего ценность представляет не сама модель, а накопленный корпус снимков с заключениями. Перенос существующей разметки начинаем с сопоставления схем: рамки, области, классы, степени уверенности — приводим к единому виду и выборочно проверяем вручную. Так накопленные данные становятся пригодны для обучения, а не остаются архивом в несовместимом формате.

Дообучение текущей системы выбираем, когда разметки достаточно и она не смещена по породам, аппаратам и условиям съёмки. Если смещение сильное, честнее расширить набор и пересобрать модель — иначе она воспроизведёт прежние ошибки на новых данных.

Чтобы не потерять достигнутое качество, фиксируем эталонный набор снимков и сравниваем результаты до и после изменений: доля верных заключений, поведение на пограничных случаях, число пропусков. Каждая версия проходит тот же набор, а предыдущая остаётся доступной для отката.

Итог — ваша система продолжает работать, а улучшения накапливаются поверх неё. Опишите, что уже сделано и какие данные накоплены, — вернёмся с оценкой и планом.

Технические сомнения: качество данных, приватность, поддержка

Перед стартом проекта всплывают одни и те же вопросы: хватит ли данных, переживёт ли модель снимки из другой клиники, где физически лежат фотографии и что будет, если система ошибётся. Ниже — прямые ответы, которые в договоре превращаются в конкретные требования.

Насколько критичны разные условия съёмки?

Выборку собираем из нескольких клиник: разные аппараты, освещение, положение животного. Яркость и поворот расширяем искусственно, а проверку ведём на снимках клиники, которой не было в обучении, — так видно реальный запас прочности.

Где хранятся снимки и кто к ним имеет доступ?

В вашем контуре: изображения не покидают инфраструктуру, метаданные владельца обезличиваются, доступ идёт по ролям с журналом обращений. Политику хранения и удаления сырых снимков и выгрузок согласуем заранее.

Сможем ли дообучать систему без подрядчика?

Передаём скрипты обучения и проверки, зафиксированные конфигурации и инструкцию. Новые снимки добавляете сами, не трогая код; версии модели сохраняются, откат к предыдущей доступен в любой момент.

Кто отвечает за ошибку модели?

Всё, что ниже порога уверенности, уходит ветврачу как спорный случай, а заключение остаётся за специалистом. Порядок разбора ошибок и сроки реакции фиксируем в договоре на поддержку.

Обсудим задачу: что нужно от вас и как мы начнём работу

Первый разговор не требует готового технического задания и полной выгрузки архива клиники. Достаточно минимума, по которому уже видно, какой класс задач решается, где проходит граница между «модель подсказывает» и «врач решает», и какие данные реально есть в наличии.

• Снимки. Несколько сотен исследований в том виде, в каком их отдаёт аппарат, — с разными условиями съёмки, а не только с удачными кадрами.
• Заключения и разметка. Кто и по какому протоколу ставил диагноз, есть ли подтверждение повторным осмотром, лабораторией или наблюдением.
• Список классов. Какие заболевания нужно различать, что считается нормой и какие состояния вы хотите видеть отдельной строкой.
• Поток данных. Откуда приходит снимок, в каком формате и разрешении, куда уходит заключение и кто его читает.
• Доступы. Тестовый контур, выгрузка обезличенных снимков, кто со стороны клиники подтверждает корректность ответов модели.
• Ограничения. Требования к хранению и передаче данных, кто владелец, что нельзя выносить за пределы вашего контура.
• Контактное лицо. Врач, готовый проверять ответы системы и отмечать ошибки — без него настройка порогов не сходится.

По итогам разбора вернёмся с планом работ: этапы, что делаем на каждом, какие показатели достижимы именно на вашей выборке — чувствительность по классам, доля снимков, уходящих на повторный просмотр, — и порядок старта проекта. Опишите задачу в свободной форме, приложите примеры снимков и заключений, если они есть: вернёмся с оценкой и планом.