Анализ ошибок автоматической сортировки профилактических исследований грудной клетки: основные причины возникновения и возможные варианты снижения их количества

Введение. Высокая распространенность проведения рентгенографических и флюорографических исследований органов грудной клетки приводит к значительной нагрузке на службу лучевой диагностики. Одним из перспективных решений, направленных на оптимизацию процесса анализа профилактических исследований (рентгенографии и флюорографии), является использование технологий искусственного интеллекта (ТИИ). Такой подход демонстрирует эффективность в сортировке исследований на основе бинарной оценки («норма» / «не норма»). В ходе оценки данного метода были выявлены недочеты в виде ложноотрицательных результатов, требующих дальнейшего изучения и совершенствования.

Цель: оценить потенциальные пути снижения количества ложноотрицательных результатов автоматизированной сортировки профилактических рентгенографических исследований органов грудной клетки с помощью программного обеспечения на основе ТИИ.

Материал и методы. В ходе ретроспективного диагностического исследования, проведенного в период с 01.05.2025 по 30.06.2025 гг., была проанализирована выборка из 411 случаев ложноотрицательных результатов, выявленных при оценке эффективности автоматизированной сортировки с помощью трех различных сервисов на основе ТИИ. Исследование базировалось на данных профилактических лучевых исследований органов грудной клетки, полученных при оказании медицинской помощи в амбулаторных условиях и в ходе массовых медицинских осмотров взрослого населения г. Москвы. Полученные изображения были повторно проанализированы двумя опытными врачами-рентгенологами (стаж работы более 10 лет) с учетом клинической информации и данных анамнеза пациента. Использовались методы аналитической и описательной статистики.

Результаты. Большинство (n = 266) ложноотрицательных результатов было связано с пропуском инфильтративных изменений и очагов в легких. Остальные клинически значимые расхождения были установлены в 24 случаях. При анализе архивных данных и медицинской истории пациентов была выявлена дополнительная информация, которая при ее использовании в сервисах на основе ТИИ могла бы повлиять на интерпретацию исследований и уменьшить риск ложноотрицательных результатов. Такие данные были обнаружены в 68,3% случаев (n = 198) с клинически значимыми и в 5% (n = 6) – с клинически незначимыми пропусками.

Заключение. Снижение числа ложноотрицательных результатов требует комплексного подхода: внедрения дублирующего сервиса ТИИ, повышения качества направлений от врачей, а также интеграции в алгоритмы ТИИ клинических данных и результатов предыдущих исследований пациентов, что в свою очередь означает развитие мультимодального программного обеспечения с использованием ТИИ.

1. Игнатьева В.И., Концевая А.В., Калинина А.М., Дроздова Л.Ю., Муканеева Д.К., Драпкина О.М. Социально-экономическая эффективность мероприятий по раннему выявлению онкологических заболеваний при диспансеризации. Профилактическая медицина. 2024;27(1):36–44. https://doi.org/10.17116/profmed20242701136.

2. Голубев Н.А., Огрызко Е.В., Тюрина Е.М., Шелепова Е.А., Шелехов П.В. Особенности развития службы лучевой диагностики в Российской Федерации за 2014–2019 годы. Современные проблемы здравоохранения и медицинской статистики. 2021;(2):356–376. https://doi.org/10.24412/2312-2935-2021-2-356-376.

3. Шелехов П.В. Кадровая ситуация в лучевой диагностике. Современные проблемы здравоохранения и медицинской статистики. 2019;(1):265–275. https://doi.org/10.24411/2312-2935-2019-10018.

4. Васильев Ю.А., Тыров И.А., Владзимирский А.В., Арзамасов К.М., Пестренин Н.Д. Шулькин И.М. Новая модель организации массовых профилактических исследований, основанная на автономном искусственном интеллекте для сортировки результатов флюорографии. Здоровье населения и среда обитания. 2023;31(11):23–32. https://doi.org/10.35627/2219-5238/2023-31-11-23-32.

5. Васильев Ю.А., Сычёв Д.А., Бажин А.В., Шулькин И.М., Владзимирский А.В., Голикова А.Ю. и др. Автономный искусственный интеллект для сортировки результатов профилактических рентгенологических исследований органов грудной клетки: медицинская и экономическая эффективность. Digital Diagnostics. 2025;6(1):5–22. https://doi.org/10.17816/DD641703.

6. Zhang T., Ding R., Luong K.D., Hsu W. Evaluating an information theoretic approach for selecting multimodal data fusion methods. J. Biomed. Inform. 2025;167:104833. https://doi.org/10.1016/j.jbi.2025.104833.

7. Varunkumar K., Zymbler M., Kumar S. Multimodal deep dilated convolutional learning for lung disease diagnosis. Brazilian Archives of Biology and Technology. 2024;67:e24231088. https://doi.org/10.1590/1678-4324-2024231088.

8. Oncu E., Ciftci F. Multimodal AI framework for lung cancer diagnosis: Integrating CNN and ANN models for imaging and clinical data analysis. Comput. Biol. Med. 2025;193:110488. https://doi.org/10.1016/j.compbiomed.2025.110488.