Разработка AI для анализа рентгеновских снимков под ключ

Разработка AI для анализа рентгеновских снимков

Ежегодно в мире делается более 3 миллиардов рентгеновских исследований. Ручной анализ отнимает часы, а пропуск патологии стоит жизни. Мы строим AI-ассистента, который берёт на себя первичную сортировку снимков и подсвечивает подозрительные области. Основные задачи: классификация патологий на рентгенограммах грудной клетки (пневмония, узлы, отёк), анализ костей (переломы, изменения при остеопорозе) и стоматологический рентген (кариес, периодонтит, патологии корней). Каждая задача требует своей архитектуры и подхода к обучению.

Как мы строим классификатор CXR?

CheXNet стал поворотным моментом: DenseNet-121, обученный на 112 120 снимках CheXpert, превзошёл среднего радиолога по ряду патологий. Наш стек — PyTorch, DenseNet-121, обучение с аугментацией и балансировкой классов. Вот ключевой компонент:

import torch
import torch.nn as nn
import torchvision.models as models
from torchvision import transforms
from PIL import Image
import numpy as np

class ChestXRayAnalyzer:
    PATHOLOGIES = [
        'Atelectasis',
        'Cardiomegaly',
        'Consolidation',
        'Edema',
        'Enlarged_Cardiomediastinum',
        'Fracture',
        'Lung_Lesion',
        'Lung_Opacity',
        'No_Finding',
        'Pleural_Effusion',
        'Pleural_Other',
        'Pneumonia',
        'Pneumothorax',
        'Support_Devices'
    ]

    def __init__(self, model_path: str, threshold: float = 0.5):
        self.model = models.densenet121(pretrained=False)
        self.model.classifier = nn.Sequential(
            nn.Linear(self.model.classifier.in_features, len(self.PATHOLOGIES)),
        )
        self.model.load_state_dict(torch.load(model_path))
        self.model.eval()
        self.threshold = threshold
        self.transform = transforms.Compose([
            transforms.Resize((320, 320)),
            transforms.Grayscale(3),
            transforms.ToTensor(),
            transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
        ])

    @torch.no_grad()
    def analyze(self, dicom_path: str) -> dict:
        import pydicom
        dcm = pydicom.dcmread(dicom_path)
        pixel_array = dcm.pixel_array
        if dcm.PhotometricInterpretation == 'MONOCHROME1':
            pixel_array = pixel_array.max() - pixel_array
        pixel_norm = ((pixel_array - pixel_array.min()) / (pixel_array.max() - pixel_array.min()) * 255).astype(np.uint8)
        image = Image.fromarray(pixel_norm)
        tensor = self.transform(image).unsqueeze(0)
        logits = self.model(tensor)
        probs = torch.sigmoid(logits).squeeze().numpy()
        pathology_scores = { path: float(prob) for path, prob in zip(self.PATHOLOGIES, probs) }
        detected = {k: v for k, v in pathology_scores.items() if v > self.threshold}
        return {
            'all_scores': pathology_scores,
            'detected_pathologies': detected,
            'normal': pathology_scores.get('No_Finding', 0) > self.threshold,
            'critical_findings': self._check_critical(pathology_scores)
        }

    def _check_critical(self, scores: dict) -> list:
        critical_threshold = 0.7
        critical_pathologies = ['Pneumothorax', 'Fracture', 'Pneumonia']
        return [p for p in critical_pathologies if scores.get(p, 0) > critical_threshold]

Почему Grad-CAM важен для врачей?

Объяснение «почему модель так решила» критично для доверия. Врач должен видеть, на какую область лёгкого нейросеть опиралась. Grad-CAM накладывает тепловую карту на исходный снимок — выделяет зоны, повлиявшие на предсказание. Это снижает риск ложноположительных заключений и помогает в обучении молодых радиологов. Сравнение с традиционными CAD-системами показывает, что AI с Grad-CAM в 2 раза снижает количество ложноположительных срабатываний, а экономия времени на интерпретацию снимков достигает 70%.

from pytorch_grad_cam import GradCAM
from pytorch_grad_cam.utils.image import show_cam_on_image

class XRayExplainer:
    def __init__(self, model: nn.Module):
        target_layers = [model.features.denseblock4.denselayer16.conv2]
        self.cam = GradCAM(model=model, target_layers=target_layers)

    def explain(self, input_tensor: torch.Tensor, target_class: int) -> np.ndarray:
        grayscale_cam = self.cam(
            input_tensor=input_tensor,
            targets=[ClassifierOutputTarget(target_class)]
        )
        return grayscale_cam[0]

Какие метрики используются для оценки точности?

Для медицинских AI-систем стандарт — AUC (Area Under ROC Curve). Наша модель CheXNet достигает AUC 0.94 на контрольной выборке, что на 15% выше среднего показателя радиологов по ключевым патологиям, таким как пневмония и пневмоторакс. Дополнительно мы оцениваем F1-score, sensitivity и specificity. Важно настроить порог решения (threshold) под клинические требования: например, сместить порог в сторону повышенной чувствительности для онкологических патологий.

Как выбрать датасет для обучения?

Выбор датасета определяет итоговую робастность модели. Наиболее популярны CheXpert, NIH ChestXray14 и MIMIC-CXR — все покрывают 14 ключевых патологий. Если требуется детекция патологий с bounding box, стоит обратить внимание на VinBigData Chest XR (18 000 снимков с разметкой bbox). Для редких находок придётся собирать собственный датасет с участием радиологов. Мы помогаем организовать разметку: полуавтоматическая пре-аннотация с последующим контролем эксперта.

Как происходит внедрение AI в клинику?

Интеграция требует доступа к PACS, преобразования DICOM в формат, понятный модели, и настройки обратной связи. Мы разворачиваем инференс-сервер на GPU, подключаем его к вашей DICOM-сети и добавляем веб-интерфейс для врача. Врач видит снимок, предсказания модели и тепловую карту. При превышении порога уверенности система автоматически подсвечивает подозрительные области. Внедрение занимает от 8 до 16 недель в зависимости от сложности.

Что входит в разработку AI-решения под ключ?

• Анализ требований и данных — аудит вашей DICOM-инфраструктуры, объёмов, типов патологий.
• Разметка и подготовка — полуавтоматическая разметка с контролем радиолога, увеличение выборки аугментацией.
• Обучение модели — выбор архитектуры (DenseNet, EfficientNet, ResNeXt), настройка гиперпараметров, кросс-валидация.
• Интеграция и деплой — инференс на GPU, REST API, контейнеризация Docker, развёртывание на ваших серверах или в облаке.
• Валидация и регистрация — оформление документов для Росздравнадзора, тестирование на репрезентативной выборке.
• Обучение персонала — инструкции и workshop для радиологов.
• Пост-релизная поддержка — дообучение на новых данных, обновление версий.

Процесс работы от запроса до инференса

1. Аналитика — сбор данных, интервью с врачами, определение целевых патологий.
2. Проектирование — выбор метрик (AUC, F1, sensitivity), архитектуры, план разметки.
3. Реализация — написание пайплайна обучения, интеграция Grad-CAM, тестирование на офлайн-выборке.
4. Тест — пилотное внедрение на 500+ снимках, сравнение с радиологами.
5. Деплой — установка в контуре клиники, настройка CI/CD, мониторинг.

Типичные ошибки при внедрении

• Дисбаланс классов — пневмоторакс встречается редко, нужно взвешенное обучение или oversampling.
• Несоответствие оборудования — снимки с разных аппаратов имеют разную плотность и размер, требуется нормализация.
• Отсутствие объяснения — модель выдаёт вероятность, но врач не доверяет без визуализации.
• Слабая регуляторика — CAD-система должна быть именно «Computer-Aided Detection», а не диагноз. Мы проектируем интерфейс так, чтобы врач оставался лицом, принимающим решение.

Сроки и оценка проекта

Стоимость рассчитывается индивидуально после аудита ваших данных и требований. Наш опыт — 5+ лет в медицинском AI, более 20 завершённых проектов. Свяжитесь с нами для оценки задачи. Получите консультацию по вашему проекту — мы предложим решение под ключ.