Исследование: российский ИИ выявляет дефекты рентгенограмм грудной клетки за 14 секунд

Низкое качество рентгенографических изображений может затруднять постановку диагноза и приводить к повторным исследованиям, увеличивая лучевую нагрузку на пациентов. Обычно качество снимков оценивают вручную рентгенолаборанты и врачи-рентгенологи, однако при дистанционном описании исследований оперативно устранить выявленные дефекты удается не всегда.

Разработанный исследователями инструмент представляет собой ансамбль нейронных сетей, который анализирует рентгенограммы в формате DICOM (международный стандарт хранения и передачи медицинских изображений). Алгоритм проверяет полноту визуализации легких и реберно-диафрагмальных синусов, выявляет ротацию грудной клетки, ошибки ориентации изображения, а также некорректное заполнение метаданных исследования.

Инструмент интегрировали в рабочий процесс Московского референс-центра лучевой диагностики. В исследование вошли данные трех московских поликлиник, где рентгенографию выполняли на семи аппаратах. Всего система обработала 4 870 обследований, включавших 9 642 изображения. Для оценки эффективности десять врачей-рентгенологов независимо пересмотрели 8 042 снимка, не зная результатов автоматического анализа.

Эксперты выявили различные дефекты на 3 386 изображениях, или 42,1% выборки. Неполная визуализация легких и легочных синусов встречалась на 14,2% снимков в прямой проекции и на 23,9% – в боковой, а чрезмерная ротация грудной клетки – на 45,6% боковых рентгенограмм.

Наиболее высокий показатель эффективности алгоритм продемонстрировал при определении неправильной ориентации изображения – 100%. При выявлении неполной визуализации легких в прямой проекции он составил 94,7%, в боковой – 85,2%. Наиболее сложной задачей оказалось распознавание ротации грудной клетки, где показатель достиг 78,2%.

При проверке метаданных алгоритм без ошибок определял анатомическую область и фотометрическую интерпретацию снимков, а показатель эффективности распознавания проекции достиг 98,5%.

Одновременно исследование выявило распространенные проблемы с заполнением DICOM-тегов. Информация об ориентации пациента была корректно указана лишь в 13,6% исследований, тогда как более чем в 80% случаев соответствующее поле оставалось пустым. Кроме того, на одном из диагностических аппаратов исследователи обнаружили систематическую ошибку настройки, из-за которой в метаданных автоматически записывалось некорректное значение.

Авторы отмечают, что ошибки в метаданных могут приводить к неправильной маршрутизации исследований, направлению снимков врачу неподходящего профиля и некорректной работе диагностических ИИ-сервисов. В одном случае исследование было зарегистрировано как рентгенография органов грудной клетки, хотя фактически содержало снимки придаточных пазух носа.

По мнению авторов, автоматизированный контроль качества позволит быстрее выявлять ошибки выполнения рентгенографии, снизить нагрузку на врачей-рентгенологов и повысить качество исследований, поступающих на анализ как специалистам, так и медицинским ИИ-сервисам.

Вместе с тем исследователи подчеркивают, что пилотный проект проводился только в трех медицинских организациях Москвы, а около 17% выполненных исследований не вошли в итоговый анализ. Поэтому полученные результаты требуют дальнейшей проверки на более широкой выборке медицинских учреждений.

В 2025 году международная группа исследователей показала, что даже небольшие дефекты медицинских изображений – шум, размытие, неправильная ориентация или неполная визуализация – заметно снижают качество работы диагностических ИИ-систем. На рентгенограммах грудной клетки точность некоторых моделей при выраженных искажениях уменьшалась почти на 30%, при этом алгоритмы редко распознавали, что снимок непригоден для анализа. Тогда авторы пришли к выводу, что автоматическая проверка качества изображений должна стать обязательным этапом перед их анализом искусственным интеллектом.