Разработка AI для анализа МРТ: сегментация, детекция, MLOps

AI анализ МРТ: где ломается поток снимков в клинике

Очередь исследований растёт не из-за нехватки аппаратов, а из-за разрыва между скоростью съёмки и скоростью разбора. Один сканер за смену отдаёт больше серий, чем врач-рентгенолог физически успевает прочитать: на серию из нескольких сотен срезов уходит 10–15 минут, и почти всё это время — рутинный пересмотр, а не поиск патологии. Очередь исследований копится в архиве снимков, и чем она длиннее, тем выше нагрузка на врача-рентгенолога.

Цена этого разрыва — не только задержка заключения. Разбор серии снимков к концу смены идёт по остаточному вниманию: мелкие очаги, симметричные изменения и пограничные случаи теряются в потоке, а часть пропущенных находок всплывает позже — на повторном обращении или на другом исследовании. Вторая проблема — воспроизводимость: линейные размеры и объёмы, снятые вручную, расходятся от смены к смене, и динамику по прошлому снимку приходится восстанавливать заново. Сравнить две серии глазами и получить объективное «стало больше или меньше» почти нереально.

Отсюда задача для AI-анализа МРТ формулируется не как «найти патологию», а как выровнять поток: снять с врача рутинную часть, фиксировать измерения одинаково и подсветить то, что легко пропустить. Разбираем, как это закрывается.

Что меняется в работе отделения после внедрения модели

Первый эффект заметен не в скорости чтения, а в порядке работы: модель разбирает серию целиком и отдаёт разметку вместе с признаками срочности, поэтому исследования с подозрением на острую патологию встают в начало рабочего списка, а плановые — ниже. Время до начала разбора сокращается с часов ожидания в общей очереди до минут, при этом врач открывает то же исследование в привычном просмотре — меняется только момент, когда он до него доходит.

Второй эффект — класс ушедших отказов. Модель подсвечивает очаги и не даёт пропустить зону вне привычного внимания, а спорные случаи помечает для второго чтения. Доля повторных описаний падает: перечитать просят по конкретному основанию, а не «на всякий случай». Нагрузка на смену выравнивается — пиковые часы больше не копятся в неразобранном остатке к концу дежурства.

Порядок величин подтверждают публикации по клиническим внедрениям: в материалах Radiology описан тот же сдвиг — сокращение времени до начала разбора серии и снижение доли повторных описаний без потери качества заключения. Точные значения зависят от потока и профиля отделения, поэтому их фиксируют измерениями до и после: время до начала разбора, доля исследований, ушедших во второе чтение, число пропусков на контрольной выборке и распределение нагрузки по часам смены.

Подходы к анализу снимков: что выбрать под задачу

Выбор подхода начинается не с архитектуры модели, а с вопроса, на который должен отвечать результат. Подсветить подозрительную зону, обвести контур, отнести серию к классу или сравнить с прошлым исследованием — четыре разные задачи, и каждой нужна своя разметка. Потолок качества задаёт именно она: если очаги размечены рамкой, точных контуров модель не выдаст.

Начинать стоит с самой простой постановки, которая закрывает клиническую потребность, и усложнять только при доказанной пользе. Ниже — сравнение по трудозатратам на разметку и по тому, что получает врач на выходе.

На практике подходы комбинируют: детекция приоритизирует серии, классификация отсеивает норму, сегментация уточняет объём, а оценка динамики опирается на уже выделенные области. Мы подбираем минимальную постановку под задачу и проверяем её на ваших снимках до полной разметки.

Как проходит внедрение: от аудита данных до передачи

Внедрение начинается не с модели, а с данных: качество архива и разметки задаёт потолок точности, который не поднять сменой архитектуры. Поэтому сначала — инвентаризация того, что уже накоплено в клинике, и только потом обучение.

1. Аудит архива снимков. Выгружаем обезличенный срез исследований и смотрим, что в нём есть: серии по областям, протоколы, долю артефактов и пропущенных серий. На выходе — карта данных, где материала достаточно, а где его критично мало.
2. Проверка разметки. Считаем согласованность между специалистами и смотрим, по каким правилам контурировали. Расхождения в границах нормальны, но если трактовки расходятся системно, сначала фиксируем единый протокол — иначе модель учится на шуме.
3. Контрольная выборка. Откладываем часть исследований до начала обучения и строго по пациентам, а не по снимкам: иначе один пациент попадёт и в обучение, и в проверку, а метрики окажутся завышенными.
4. Обучение и сравнение вариантов. Прогоняем несколько подходов, но выбираем не по цифре на обучающей части, а по поведению на отложенных данных.
5. Проверка на контрольной выборке и разбор ошибок. Считаем метрики по классам и размеру очага, отдельно — пропуски и ложные срабатывания. Каждую ошибку разбираем с врачами: часть критична, часть — спорная трактовка границ.
6. Внедрение в клинике. Подключаем к рабочему контуру в режиме подсказки: врач видит разметку и подтверждает или правит её, поток исследований не останавливается.
7. Приёмка решения и передача. Фиксируем целевые метрики, передаём документацию, регламент работы с моделью и план дообучения на новых данных, обучаем персонал.

Что остаётся у клиники: конфигурации и регламенты

Мы передаём не только обученную модель, но и всё, без чего она перестаёт быть воспроизводимой: схемы обработки, правила обращения с данными и инструкции, по которым работает смена. Ниже — перечень артефактов, которые остаются у клиники после сдачи.

• Модель и окружение запуска: веса, зафиксированная версия, файлы сборки и параметры запуска — развёртывание повторяется на вашем контуре уже без нас.
• Схемы обработки: последовательность шагов от исходной серии до разметки — предобработка, нормализация, пороги срабатывания и постобработка, отсекающая ложные срабатывания.
• Регламент работы врача: где смотреть результат, что считается подтверждением, как фиксируется правка и по какой процедуре разбирается спорный случай.
• Права доступа к данным: роли, разграничение по отделениям и специальностям, журнал обращений к исследованиям и выгрузкам.
• Обезличивание снимков: на каком шаге из описаний удаляются идентификаторы, кто хранит ключ сопоставления и как ограничивается его использование.
• Документация решения: метрики на отложенной выборке, известные ограничения и перечень случаев, где модель ошибается чаще всего.
• Инструкции для смены: разбор типовых сбоев, порядок обновления модели и откат к предыдущей версии одной командой.

Такой комплект снимает зависимость от авторов: клиника может сменить подрядчика на поддержке, не теряя доступ к логике работы системы.

Кейс: как сократили время разбора серий в диагностике

Сеть диагностических центров обрабатывала несколько сотен серий в сутки, и разбор каждой занимал у врача 18–25 минут: обвести очаги, измерить, сверить с предыдущим исследованием. Очередь росла быстрее, чем штат, а часть серий уходила на повторный просмотр вторым специалистом — не из-за сложности случая, а из-за расхождений в контурах между сменами.

Мы обучили модель сегментации и детекции на архиве размеченных исследований и встроили её в уже используемый просмотрщик. На основе MONAI собрали предобработку, приведение серий к единому пространству и инференс: алгоритм отдаёт готовую предразметку по каждому очагу, а врач подтверждает или правит контуры в привычном интерфейсе. Правки врачей уходят в дообучение, поэтому редкие протоколы сканирования модель подтягивает без пересбора датасета.

По цифрам до и после: среднее время до заключения сократилось с 21 до 7 минут на серию, доля исследований, возвращённых на пересмотр, — с 11% до 3%. Врачи перестали тратить смену на рутинную обводку и занялись спорными случаями, где решение действительно требует опыта.

Отдельно провели проверку на отложенных данных — серии, не участвовавшие ни в обучении, ни в подборе параметров. Совпадение контуров с разметкой двух независимых врачей превысило порог, при котором предразметку принимают без правок, а пропуски крупных очагов и ложные срабатывания остались в согласованных с экспертами пределах. Именно этот запас прочности позволяет не перепроверять каждую серию вручную.

Чем отличается сегментация от детекции на снимках МРТ?

Детекция отвечает на вопрос «есть ли объект и где он»: модель возвращает рамку вокруг зоны интереса на срезе. Сегментация строит контур по пикселям, поэтому даёт форму, площадь и объём. Разница принципиальная: рамка говорит о наличии и локализации, контур — об измерении.

Разметка под детекцию дешевле и быстрее: врачу достаточно обвести прямоугольник, расхождение между специалистами меньше, данные набираются в разы быстрее. Такую постановку берут, когда решение приоритизирует очередь исследований, отмечает подозрительные области для второго чтения или отсеивает норму — точность границ здесь не критична, важен факт находки.

Сегментация нужна, когда результат попадает в заключение как число: площадь очага, объём образования, динамика между двумя исследованиями одного пациента. Смещение контура на несколько пикселей меняет измерение, поэтому требуется попиксельная разметка, согласование между врачами и отдельный контроль точности границ.

В AI-анализе МРТ выбор постановки задачи определяется следующим шагом: если снимок уходит на уточнение к врачу — хватает детекции, если модель считает метрику для отчёта — нужна сегментация. Часто их комбинируют: детекция находит кандидатов, сегментация уточняет контур только в этих зонах — меньше разметки и вычислений.

Качество в этих случаях мерят по-разному: для детекции — доля пропущенных находок и совпадение рамок, для сегментации — перекрытие предсказанного контура с эталонным. Мы начинаем с вопроса «что попадёт в отчёт» и под него подбираем разметку и архитектуру — иначе данные собираются не под ту задачу.

Вопросы, которые задают перед стартом проекта

На старте заказчика волнует не архитектура модели, а данные и процессы вокруг неё. Ниже — вопросы, которые задают технические руководители чаще всего, и ответы без презентационных формулировок.

Заработает ли модель на наших аппаратах?

Разные производители и протоколы сканирования дают разное распределение яркости и шума. Выборка собирается с нескольких сканеров, изображения приводятся к единому виду, а качество проверяется отдельно по каждому аппарату. Появился новый сканер — делаем контрольный прогон и при необходимости дообучаем модель.

Кто отвечает за модель после внедрения?

Мониторинг фиксирует долю отказов, сдвиг входных данных и расхождения с заключением врача. Смена протокола или замена аппарата вызывают оповещение, и мы возвращаемся к дообучению. Версии моделей хранятся, поэтому откат на предыдущую занимает минуты.

Придётся ли менять порядок работы отделения?

Решение встраивается в текущий маршрут: исследование уходит в обработку, результат возвращается туда, где его ждёт врач. Просмотр и правка результатов — часть поставки, обучение сотрудников входит в проект. Меняется не порядок работы, а доля рутины: черновая сегментация приходит готовой.

Обсудим задачу: что прислать для оценки и плана

Чтобы вернуться с оценкой проекта и планом работ, полное техническое задание не нужно — достаточно перечисленных ниже вводных. Чем конкретнее исходные данные и ожидания, тем реалистичнее сроки внедрения и понятнее состав команды: уже на этом этапе видно, что мы строим на существующей разметке, а что потребует её пересборки.

• Примеры исследований: несколько десятков серий, снятых в разных условиях, включая сложные случаи — так мы оцениваем разброс данных и связанные с ним риски.
• Как устроен эталон: есть ли размеченные маски, кто их готовил и насколько согласованы разметки между врачами.
• Что считаете успехом: целевые метрики — совпадение контуров, чувствительность на мелких очагах, доля пропусков, приемлемое число ложных срабатываний.
• Текущий ручной процесс: сколько времени у специалиста уходит на разбор одного исследования и какой шаг хочется с него снять.
• Где лежат данные и как передаются: локальный контур или облако, нужно ли обезличивание, кто отвечает за выгрузку.
• Инфраструктура: где планируется запускать модель — рядом с рабочим местом, на отдельном сервере, в защищённом контуре заказчика.
• Организационные рамки: желаемый срок внедрения, кто принимает результат и проводит приёмку по этапам.

По этим пунктам мы вернёмся с оценкой этапов, планом работ и составом команды. Опишите задачу так, как она стоит сейчас, — остальное уточним в разговоре.