ISSN 1811-0193

· Язык: ru

Статья: СОВРЕМЕННЫЕ ПОДХОДЫ К СЕГМЕНТАЦИИ И АНАЛИЗУ СТРУКТУР ГОЛОВНОГО МОЗГА: ПРОБЛЕМЫ И РЕШЕНИЯ (2025)

Читать

Статья Литература Выпуск Статистика Издательство

Читать онлайн

В настоящее время искусственный интеллект является одной из наиболее быстро развивающихся областей человеческого знания. Данная тематика имеет большое значение для науки и практики, в целом, и для медицины, в частности. Применение технологий искусственного интеллекта к сегментации зон головного мозга и выявлению аномальных участков особенно востребовано и перспективно в области нейрофизиологии, нейрохирургии, психиатрии, клинической психологии и других медицинских дисциплин. В данной работе проведено исследование существующих методов автоматизированной сегментации и анализа данных о структуре и функциональном состоянии головного мозга, а также метрик, применяемых для оценки эффективности данного подхода.

Цель: выявление нерешённых проблем и поиск тенденций в разработке методов сегментации и выявления аномальных участков головного мозга, а также определение наиболее эффективных методов и способов их улучшения.

Материалы и методы. Работа выполнена с использованием методологии Systematic Mapping Study (SMS). Данное исследование ограничивается предметной областью, связанной с сегментацией зон головного мозга и определением в нём аномальных участков.

Результаты. Основные результаты исследования представлены в виде классификационных таблиц и ментальной карты. Показано, что целью рассмотренных исследований является повышение точности при сегментировании зон головного мозга и нахождении аномальных участков. Такая метрика, как время обработки данных, применяется для оценки эффективности метода при малом количестве исследований, а в большинстве случаев вообще не рассматривается. При этом скорость обработки изображений в зависимости от применяемого метода измеряется минутами, что существенно ограничивает возможность использования данного подхода в экстренных ситуациях, в том числе при угрозе жизни человека.

Заключение. Для анализа данных о структуре и функциональном состоянии головного мозга в режиме реального времени требуется модификация уже разработанных методов энцефальной сегментации, а также разработка новых, более эффективных подходов. При этом скорость обработки данных должна быть соизмерима со временем вынесения срочного заключения о состоянии головного мозга человека.

Ключевые фразы: нейронные сети, искусственный интеллект, машинное обучение, сегментация головного моз- га, нейросети для диагностики мозговой дисфункции, искусственный интеллект в медицине

Автор (ы): Цыганков Владимир Андреевич, Кудрин Родион Александрович, Катаев Александр Вадимович, Шабалина Ольга Аркадьевна, Садовникова Наталья Петровна

Журнал: ВРАЧ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

Предпросмотр статьи

Идентификаторы и классификаторы

SCI: Здравоохранение
УДК: 61. Медицина. Охрана здоровья. Пожарное дело

Для цитирования:

ЦЫГАНКОВ В. А., КУДРИН Р. А., КАТАЕВ А. В., ШАБАЛИНА О. А., САДОВНИКОВА Н. П. СОВРЕМЕННЫЕ ПОДХОДЫ К СЕГМЕНТАЦИИ И АНАЛИЗУ СТРУКТУР ГОЛОВНОГО МОЗГА: ПРОБЛЕМЫ И РЕШЕНИЯ // ВРАЧ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ. 2025. № 1

Текстовый фрагмент статьи

Являясь высшим отделом центральной нервной системы человека, головной мозг (ГМ) контролирует функционирование всех остальных органов. Именно он позволяет людям мыслить, чувствовать, проявлять эмоции, хранить и воспроизводить информацию, принимать решения. В случае повреждения ГМ возможны потеря памяти, расстройства личности, эмоциональные и поведенческие отклонения, нарушения целого организма и отдельных его органов, а в тяжёлых случаях – смерть пациента [1, 2]. Именно поэтому состояние ГМ является ключевым параметром нормальной жизнедеятельности человека. Для медицины в условиях предболезни и болезни представляется весьма актуальной разработка современного подхода к внешнему контролю работы мозга, слежения за его структурными и функциональными изменениями. Это позволит своевременно выявлять и лечить различные варианты энцефалопатии, связанные с сотрясениями ГМ, черепно-мозговыми травмами, сосудистыми, обменными и иными нарушениями [3], а также аномалиями развития, такими как глиома, менингиома, глиоз [4]. При этом ранняя диагностика позволит проводить эффективное лечение с высокой вероятностью полного выздоровления [5].

Моя история просмотров (10)

01. Статья: Влияние ишемической болезни сердца и инфаркта миокарда на деструкцию перикарда у пациентов, перенесших операцию Озаки

02. Статья: ВСТУПИТЕЛЬНОЕ СЛОВО

03. Статья: ЗНАЧЕНИЕ ПРИРОДНО-КЛИМАТИЧЕСКИХ И ЭТНОКУЛЬТУРНЫХ УСЛОВИЙ В РАЗРАБОТКЕ СТРАТЕГИИ СОХРАНЕНИЯ ЗДОРОВЬЯ ДОШКОЛЬНИКОВ РЕСПУБЛИКИ САХА (ЯКУТИЯ)

04. Статья: СОСТОЯНИЕ И ПРОБЛЕМЫ РАЗВИТИЯ МУЗЕЙНОГО ТУРИЗМА НА ЮГЕ РОССИИ

05. Статья: Трансформация политического насилия в поздней Римской республике (на примере расправы над Гракхами)

06. Статья: Наименование гражданской войны в посланиях, словах и речах патриарха Тихона и в материалах и дневниках членов Поместного Собора

07. Статья: ФОРМИРОВАНИЕ РАЦИОНАЛЬНОГО ПЛАНА ВЫПОЛНЕНИЯ МЕРОПРИЯТИЙ ТЕХНИЧЕСКОГО ОБЕСПЕЧЕНИЯ ОБРАЗЦОВ ВООРУЖЕНИЯ, ВОЕННОЙ И СПЕЦИАЛЬНОЙ ТЕХНИКИ

08. Статья: Быстрее, чем кажется

09. Статья: Энергетическая политика Турции в Черноморском регионе

10. Статья: Внешняя политика в области прав человека: скептический взгляд

Список литературы

1. Васильева Е.Б., Талыпов А.Э., Петриков С.С. Особенности клинического течения черепно-мозговой травмы при различных видах повреждения головного мозга // НМП. - 2019. - №3. - С.295-301.
2. Сергеев В.А., Сергеева П.В., Патракова А.А. Клинико-психологический анализ эмоциональноличностных расстройств у больных с отдалёнными последствиями черепно-мозговых травм, осложнённых и неосложнённых алкоголизмом // Научные результаты биомедицинских исследований. - 2020. - №3. - С.417-433.
3. Лихтерман Л.Б., Кравчук А.Д., Филатова М.М. Сотрясение головного мозга: тактика лечения и исходы // Анналы клинической и экспериментальной неврологии - 2008. - №1. - C.1-10.
4. Трашков А.П., Спирин А.Л., Цыган Н.В., Артеменко М.Р. и др. Глиальные опухоли головного мозга: общие принципы диагностики и лечения // Педиатр. - 2015. - №4. - C.75-84.
5. Плахова В.В., Кручинина Е.А. Вопросы диагностики и лечения злокачественных новообразований // FORCIPE. - 2019. - №1. - C.564-564.
6. Щербук А.Ю., Ерошенко М.Е., Щербук Ю.А. Современные методы картирования функционально значимых зон головного мозга в хирургии опухолей центральных извилин // Вестн. хир. - 2017. - №4. - С.104-109.
7. Кремнева Е.И., Коновалов Р. Н., Кротенкова М. В. Функциональная магнитно-резонансная томография // Анналы клинической и экспериментальной неврологии. - 2011. - №5(1). - C.30-34.
8. Куликова С.Н., Брюхов В.В., Переседова А.В., Кротенкова М.В., Завалишин И.А. Диффузионная тензорная магнитно-резонансная томография и трактография при рассеянном склерозе: обзор литературы // Журнал неврологии и психиатрии им. С.С. Корсакова. Спецвыпуски. - 2012. - №112(2-2). - C.52-59.
9. Кротенкова М.В., Суслин А.С., Танашян М.М., Коновалов Р.Н., Брюхов В.В. Диффузионно-взвешенная МРТ и МРТ-перфузия в остром периоде ишемического инсульта // Анналы клинической и экспериментальной неврологии. - 2009. - №3(4). - C.11-16.
10. Шестакова А.Н., Буторина А.В., Осадчий А.Е., Штыров Ю.Ю. Магнитоэнцефалография - новейший метод функционального картирования мозга человека // Экспериментальная психология. - 2012. - №5(2). - С.119-134.
11. Гуляев С.А. Электроэнцефалография и исследования функциональной активности головного мозга // Русский журнал детской неврологии. - 2021. - №16(4). - C.59-68.
12. Дюкарев В.В. Позитронно-эмиссионная томография: сущность метода, достоинства и недостатки // БМИК. - 2013. - №3(11). - C.1196.
13. Санковец Д.Н., Гнедько Т.В., Свирская О.Я. Близкая к инфракрасной спектроскопия (NIRS) - новая краска в палитре неонатолога // Неонатология: Новости. Мнения. Обучение. - 2017. - №1(15). - C.58-71.
14. Давыдовский И.В. Врачебные ошибки // Сов. мед. - 1941. - №3. - C.3-10.
15. Султанов И.Я. О некоторых так называемых объективных причинах диагностических ошибок в практической деятельности врачей // Вестник РУДН. Серия: Медицина. - 2002. - №2. - C.34-38.
16. Сигаева Д.В., Логинов М.С. Влияние качества исходного набора данных для машинного обучения на точность диагноза // Scientist. - 2022. - №4(22). -C.130-132.
17. Махамбетчин М.М. К дискуссии о врачебных ошибках // Клиническая медицина. - 2021. - №2. - С.150-152.
18. Андропова П.Л., Гаврилов П.В., Колесникова П.А. и др. Диагностическая эффективность отдельных систем автоматического анализа КТ-изображений в выявлении ишемического инсульта в бассейне средней мозговой артерии // Сибирский журнал клинической и экспериментальной медицины. - 2023. - №3. - С.194-200.
19. Jin L, Min L, Jianxin W, et al. A Survey of MRI-Based Brain Tumor Segmentation Methods. 2014; 19(6): 578-595. DOI: 10.1109/TST.2014.6961028
20. Абдулракеб АРА, Сушкова ЛТ, Лозовская НА. Обзор методов сегментации опухолей на МРТ-изображениях головного мозга // Прикаспийский журнал: управление и высокие технологии. - 2015. - №1(29). - C.122-138.
21. Ahlam AH, Sarmad HM, Ban SI. Segmentation and Isolation of Brain Tumors Using Different Images Segmentation Methods. 2024; 21(8): 1-8. DOI: 10.21123/bsj.2024.7640
22. Kai P, Sairam V, Ludwik K. Guidelines for conducting systematic mapping studies in software engineering: An update, Information and Software Technology. 2015; 64: 1-18. DOI: 10.1016/j.infsof.2015.03.007
23. Vanhala E, Kasurinen J, Knutas A, Herala A. The Application Domains of Systematic Mapping Studies: A Mapping Study of the First Decade of Practice With the Method. 2022; 10: 37924-37937. DOI: 10.1109/ACCESS.2022.3165079
24. Алексеева М.Г., Зубов А.И., Новиков М.Ю. Искусственный интеллект в медицине // МНИЖ. - 2022. - №7-2(121). - C.10-13.
25. Иванова В.Н., Латкин А.П., Фершт В.М. Современные подходы к использованию искусственного интеллекта в медицине // Территория новых возможностей. - 2020. - №1. - C.121-130.
26. Гусев А. Обзор Российских систем искусственного интеллекта для здравоохранения Электронный ресурс Webiomed. Доступно по: https://webiomed.ru/blog/obzor-rossiiskikh-sistem-iskusstvennogo-intellekta-dlia-zdravookhraneniia. Ссылка активна на 20.07.2024.
27. Bruce F, David HS, Evelina B, et al. Whole Brain Segmentation: Automated Labeling of Neuroanatomical Structures in the Human Brain. 2002; 33: 341-355. DOI: 10.1016/S0896-6273(02)00569
28. Chen B, Zhang L, Chen H, Liang K, Chen X. A novel extended Kalman filter with support vector machine-based method for the automatic diagnosis and segmentation of brain tumors. 2021; 200: 105797.
29. Kumar DM, Satyanarayana D, Prasad MG. MRI brain tumor detection using optimal possibilistic fuzzy C-means clustering algorithm and adaptive k-nearest neighbor classifier. Journal of Ambient Intelligence and Humanized Computing. 2021; 12(2): 2867-2880. DOI: 10.1007/s12652-020-02444-7
30. Srinivasa RA, Chenna RP. MRI brain tumor segmentation and prediction using modified region growing and adaptive SVM. 2021; 25: 4135-4148. DOI: 10.1007/s00500-020-05493-4
31. Sheela CJJ, Suganthi G. Accurate MRI brain tumor segmentation based on rotating triangular section with fuzzy C-means optimisation. Sādhanā. 2021; 46(4). DOI: 10.1007/s12046-021-01744-8
32. Gokulalakshmi A, Karthik S, Karthikeyan N, Kavitha MS. ICM-BTD: improved classification model for brain tumor diagnosis using discrete wavelet transform-based feature extraction and SVM classifier. 2020; 24: 18599-18609. DOI: 10.1007/s00500-020-05096-z
33. Sharath CP, Soundarya J, Priyadharsini R. Brain tumor detection and classification using K-means clustering and SVM classifier. 2018; 49-63. DOI: 10.1007/978-981-13-8323-6_5
34. Hussain A, Khunteta A. Semantic segmentation of brain tumor from MRI images and SVM classification using GLCM features. 2020; 38-43. DOI: 10.1109/ICIRCA48905.2020.9183385
35. Kumar DM, Satyanarayana D, Prasad MG. An improved Gabor wavelet transform and rough K-means clustering algorithm for MRI brain tumor image segmentation. 2021; 80(1): 6939-6957. DOI: 10.1007/s11042-020-09635-6
36. Shahajad M, Gambhir D, Gandhi R. Features extraction for classification of brain tumor MRI images using support vector machine. 2021; 767-772. DOI: 10.1109/Confluence51648.2021.9377111
37. Krishnakumar S, Manivannan K. Effective segmentation and classification of brain tumor using rough K means algorithm and multi-kernel SVM in MR images. 2021; 12: 6751-6760. DOI: 10.1007/s12652-020-02300-8
38. Mehrotra R, Ansari MA, Agrawal R. A Novel Scheme for Detection & Feature Extraction of Brain Tumor by Magnetic Resonance Modality Using DWT & SVM. 2020; 225-230. DOI: 10.1109/IC3A48958.2020.233302
39. Sarkar A, Maniruzzaman M, Ahsan MS, et al. Identification and classification of brain tumor from MRI with feature extraction by support vector machine. 2020; 1-4. DOI: 10.1109/INCET49848.2020.9154157
40. Anaya-Isaza A, Mera-Jiménez L. Data augmentation and transfer learning for brain tumor detection in magnetic resonance imaging. 2022; 10(4): 23217-23233. DOI: 10.1109/ACCESS.2022.3154061
41. Musallam AS, Sherif AS, Hussein MK. A new convolutional neural network architecture for automatic detection of brain tumors in magnetic resonance imaging images. 2022; 10(99): 2775-2782. DOI: 10.1109/ACCESS.2022.3140289
42. More SS, Mange MA, Sankhe MS, Sahu SS. Convolutional Neural Networkbased Brain Tumor Detection. 2021; 1532-1538. DOI: 10.1063/5.0217286
43. Le N, Yamazaki K, Quach KG, Truong D, Savvides M. A multi-task contextual atrous residual network for brain tumor detection & segmentation. In 2020 25th International Conference on Pattern Recognition. 2021: 5943-5950. DOI: 10.1109/ICPR48806.2021.9412414
44. Ma L, Zhang F. End-to-end predictive intelligence diagnosis in brain tumor using lightweight neural network. 2021; 111: 107666. DOI: 10.1016/j.asoc.2021.107666
45. Kesav N, Jibukumar MG. Efficient and low complex architecture for detection and classification of Brain Tumor using RCNN with Two Channel CNN. 2022; 34(8): 6229-6242. DOI: 10.1016/j.jksuci.2021.05.008
46. Ottom MA, Rahman HA, Dinov ID. Znet: deep learning approach for 2D MRI brain tumor segmentation. 2022; 10: 1-8. DOI: 10.1109/JTEHM.2022.3176737
47. Qader SM, Hassan BA, Rashid TA. An improved deep convolutional neural network by using hybrid optimisation algorithms to detect and classify brain tumor using augmented MRI images. - 2022; 1-28. DOI: 10.21203/rs.3.rs-1746725/v1
48. Sharif MI, Khan MA, Alhussein M, Aurangzeb K, Raza M. A decision support system for multimodal brain tumor classification using deep learning. Complex & Intelligent Systems. 2021; 8(1): 1-14. DOI: 10.1007/s40747-021-00321-0
49. Chanu MM, Thongam K. Computer-aided detection of brain tumor from magnetic resonance images using deep learning network. Journal of Ambient Intelligence and Humanized Computing. 2021; 12: 6911-6922. DOI: 10.1007/s12652-020-02336-w
50. Sethy PK, Behera SK. A data-constrained approach for brain tumor detection using fused deep features and SVM. 2021; 80(4): 28745-28760. DOI: 10.1007/s11042-021-11098-2
51. Preethi S, Aishwarya P. An efficient wavelet-based image fusion for brain tumor detection and segmentation over PET and MRI image. 2021; 80(1): 14789-14806. DOI: 10.1007/s11042-021-10538-3
52. Sharif MI, Li JP, Amin J, Sharif A. An improved framework for brain tumor analysis using MRI based on YOLOv2 and convolutional neural network. 2021; 7: 2023-2036. DOI: 10.1007/s40747-021-00310-3
53. Дмитриев Г.А., Кирсанова А.В., Альбахели В.А.А. Автоматическое выделение области острого ишемического инсульта на МРТ-изображениях // Прикаспийский журнал: управление и высокие технологии. - 2014. - №4(28). - С.166-174.
54. Магонов Е.П., Прахова Л.Н., Ильвес А.Г., Катаева Г.В., Трофимова Т.Н. Автоматическая сегментация МРТ-изображений головного мозга: методы и программное обеспечение. - Санкт-Петербург: Коллектив авторов, 2014. - C.1-5.
55. Анджали Х.Т., Анандрао Б.К. Сегментация опухоли головного мозга на магнитно-резонансной томографии с использованием нечеткого деформируемого слияния и алгоритма Dolphin-SCA // Научно-технический вестник информационных технологий, механики и оптики. - 2023. - Т.23. - №4. - C.1-10.
56. Зубов А.Ю., Сенюкова О.В. Сегментация изображений магнитно-резонансной томографии головного мозга с помощью сопоставления с несколькими атласами. М.: МГУ имени М.В. Ломоносова, 2015. - C.1-6.
57. Зотин А.Г., Кириллова С.В., Курако М.А., Хамад Ю.А., Симонов К.В. Обнаружение опухоли мозга на основе МРТ с применением метода нечеткой кластеризации с-средних. Сибирский государственный университет науки и технологии им. академика М.Ф. Решетнева. - 2019. - C.1-11.
58. Технологии искусственного интеллекта в здравоохранении Электронный ресурс МОСМЕД. Доступно по: https://mosmed.ai. Ссылка активна на 07.08.2024.
59. Hongwei BL, Gian MC, Syed MA, et al. The Brain Tumor Segmentation (BraTS) Challenge 2023: Brain MR Image Synthesis for Tumor Segmentation (BraSyn). PapersWithCode. 2023; 1-6.
60. Lalande A, Chen Z, Decourselle T, et al. Emidec: A Database Usable for the Automatic Evaluation of Myocardial Infarction from Delayed-Enhancement Cardiac MRI. 2020; 5-89.
61. Kenneth C, Bruce V, Kirk S, et al. The Cancer Imaging Archive: Maintainingand Operating a Public Information Repository. 2013; 26(6). 1045-1057.. DOI: 10.1007/s10278-013-9622-7
62. Eduarda PM, Roberta C, Celine SG, Monica LM. Updating TCGA glioma classification through integration of molecular profiling data following the 2016 and 2021 WHO guidelines. 2023; 11. DOI: 10.1101/2023.02.19.529134
63. Kennedy KM, Raz N. Social Cognitive Neuroscience, Cognitive Neuroscience, Clinical Brain Mapping. 2015; 58(1): 259-289. DOI: 10.1146/annurev.psych.58.110405.085654
64. Румянцев П.О., Саенко В.А., Румянцева У.В., Чекин С.Ю. Статистические методы анализа в клинической практике. Медицинский радиологический научный центр РАМН. - С. 1-44.
65. Андропова П.Л., Гаврилов П.В., Савинцева Ж.И., Вовк А.В., Рыбин Е.В. Применение систем искусственного интеллекта в нейрорадиологии острого ишемического инсульта // Лучевая диагностика и терапия. - 2021. - №2(12). - С.30-35.
66. Толмачев И.В., Стариков Ю.В., Старикова Е.Г. и др. Искусственный интеллект в онкологии: области применения, перспективы и ограничения // Вопросы онкологии - 2022. - №6(68). - C.691-699.
67. Сидякина И.В., Шаповаленко Т.В., Лядов К.В. Механизмы нейропластичности и реабилитация в острейшем периоде инсульта // Анналы клинической и экспериментальной неврологии. - 2013. - №7(1). - С.52-56.

Выпуск

№ 1 (2025)

Кол-во страниц: 89 страниц

Другие статьи выпуска

НОМОГРАММА ДЛЯ ПРОГНОЗИРОВАНИЯ ХРОНИЧЕСКОЙ БОЛЕЗНИ ПОЧЕК У ДЕТЕЙ, РАЗРАБОТАННАЯ С ПОМОЩЬЮ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА (2025)

Авторы: Седашкина Ольга Александровна, Колсанов Александр Владимирович

Актуальность. Современные алгоритмы искусственного интеллекта позволяют получать новые знания о потенциальных факторах риска и моделировать инструменты, прогнозирующие хроническое течение заболеваний почек у детей. Управление течением хронической болезни почек (ХБП) основано на использовании инструментов, помогающих врачу своевременно прогнозировать переход от острого заболевания почек к хроническому и своевременно направить ребенка к нефрологу.

Цель исследования: разработать графический инструмент, позволяющий прогнозировать хроническую болезнь почек у детей.

Материалы и методы. Исходными данными для разработки графического инструмента (номограммы) послужили собственные результаты, опубликованные ранее. Из полученных предикторов ХБП у детей (протеинурия, гематурия, полиморфный маркер С598Т гена IL4) построена прогностическая модель высокого качества (ROC-AUC>90%).

Результаты. Построенная номограмма обладает высокой прогностической ценностью – с точностью 98,9% прогнозировать ХБП у детей.

Заключение: Разработанную номограмму, можно использовать в качестве графического помощника врача для прогнозирования хронического течения заболевания у пациентов с острым заболеванием почек.

Сохранить в закладках

ЭКСПЕРИМЕНТАЛЬНЫЙ АНАЛИЗ ТОЧНОСТИ ИДЕНТИФИКАЦИИ ЦЕФАЛОМЕТРИЧЕСКИХ ОРИЕНТИРОВ НА БОКОВЫХ ТЕЛЕРЕНТГЕНОГРАММАХ (2025)

Авторы: Аюпова Ирина Олеговна, Колсанов Александр Владимирович, Попов Николай Владимирович, Хамадеева Альфия Минвалиевна, Давидюк Максим Андреевич, Кирюков Станислав Рэмович, Аюпов Олег Назибович

Цель. Оценить перспективность применения нейронных сетей для цефалометрического анализа при помощи анализа точности ручной иидентификации анатомических ориентиров на цифровых латеральных телерентгенограммах.

Материалы и методы. Выполнена разметка 100 обезличенных телерентгенограмм в боковой проекции одиннадцатью врачами- ортодонтами по 21 параметру, получено 23100 цифровых рентгеновских изображения с нанесенной на них опорной точкой. Проведено сравнение координат опорной точки с «базовой точкой», то есть усредненной координатой для каждой опорной точки среди всех ее локализаций.

Результаты. По критерию среднего отклонения от «базовой точки» наилучшая точность достигнута для вершин режущих краев центральных резцов верхней (is) (0,589, ДИ = 95%) и нижней челюстей (ii) (0,835, ДИ = 95%), а также для середины входа в турецкое седло (S) (0,662, ДИ = 95%).

Для группы ориентиров с наименьшей согласованностью, куда вошли такие точки как Po (4,330, ДИ = 95%), Pt (2,999, ДИ = 95%) и Ba (2,887, ДИ = 95%), для автоматизации идентификаций и повышения качества цефалометрического анализа, вероятно, будет недостаточным применение только искусственных нейронных сетей и потребуется внедрение других элементов машинного обучения.

Заключение. Учитывая результаты нашего исследования, можно сделать вывод, что предложенный метод демонстрирует высокую точность для большинства точек и может быть использован для автоматизации цефалометрического анализа с дальнейшим развитием технологий машинного обучения.

Сохранить в закладках

ПРЕДСТАВЛЕНИЕ МЕТРИК ДИАГНОСТИЧЕСКОЙ ТОЧНОСТИ В ЗАВИСИМОСТИ ОТ КЛАССИФИКАЦИИ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ НА ОСНОВЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ОБЛАСТИ ЛУЧЕВОЙ ДИАГНОСТИКИ (2025)

Авторы: Васильев Юрий Александрович, Памова Анастасия Петровна, Арзамасов Кирилл Михайлович, Владзимирский Антон Вячеславович, Зинченко Виктория Валерьевна, ЗАЮНЧКОВСКИЙ С.Ю.

Цель: настоящее исследование направлено на разработку клинической классификации программного обеспечения (ПО) на основе искусственного интеллекта (ИИ) в области лучевой диагностики.

Материалы и методы: для проведения исследования был проведён всесторонний анализ доступной информации о ПО на основе ИИ в сфере лучевой диагностики с использованием отечественных и зарубежных баз данных. В процессе анализа были выявлены ключевые аспекты, включая клиническую применимость ПО на основе ИИ, диагностическую точность медицинских изделий с использованием ИИ в лучевой диагностике.

Результаты: была разработана клиническая классификация ПО на основе ИИ в области лучевой диагностики. Кроме того, было выявлено важное замечание относительно представления метрик диагностической точности ПО на основе ИИ. В результате этого предложенная классификация была расширена и дополнена определением уровня представления метрик диагностической точности в зависимости от клинической классификации.

Заключение: на основе проведенного исследования разработана клиническая классификация ПО на основе ИИ, что обеспечивает единый подход к представлению данных о диагностической точности со стороны разработчиков. Данный подход позволяет повысить прозрачность и сравнимость информации о различных ПО на основе ИИ в медицинской практике, что способствует повышению эффективности и безопасности использования ПО на основе ИИ в медицинской практике. Результаты настоящего исследования имеют потенциал для масштабирования на другие области применения ИИ и могут быть использованы для совершенствования системы регулирования качества медицинских изделий с применением ИИ.

Сохранить в закладках

МЕЖДУНАРОДНЫЕ ПОДХОДЫ К СБОРУ И ОБРАБОТКЕ ГОСУДАРСТВЕННОЙ СТАТИСТИКИ (2025)

Авторы: РЯБОВА М.А., Голубев Никита Алексеевич, Поликарпов Александр Викторович

Актуальность. Необходимость эффективного управления здравоохранением требует совершенствования медицинской статистики. Текущие методы сбора данных ограничены и неточны. Стратегия цифровой трансформации до 2030 года нацелена на создание безопасной и надежной информационной инфраструктуры здравоохранения с использованием отечественных технологий.

Цель исследования: провести анализ существующих методов сбора и анализа медицинской статистики в различных странах.

Материалы и методы. Для получения информации выполнен поиск релевантных исследований, опубликованных в электронных базах eLibrary, Refseek, Virtual Learning Resources Center, Yandex и Googlе. Стратегию поиска составляли такие ключевые слова и словосочетания на русском и английском языках, как «статистика», «сбор», «анализ».

Результаты. Исследование выявило ключевые методы развития сбора медицинской статистики в России и мире, фокусируясь на точности и полноте данных. Анализировались принципы конфиденциальности, охвата, качества, вычислимости, регулярности и репрезентативности, а также методы сбора: опросы, непрерывный сбор данных и автоматизированная передача информации.

Выводы. Уникальность российской системы статистического учета в здравоохранении заключается в сплошной регистрации каждого случая заболевания в медицинских организациях. Внедрение современных цифровых решений, основанных на первичных данных, соответствует основным принципам статистики. Это позволит упростить работу с информацией, повысить ее точность и доступность для оперативного реагирования на изменения в сфере здравоохранения.

Сохранить в закладках

ВОЗМОЖНОСТИ ТЕЛЕМОНИТОРИНГА ПАЦИЕНТОВ С ГЕМАТОЛОГИЧЕСКИМИ ЗАБОЛЕВАНИЯМИ: НАРРАТИВНЫЙ ОБЗОР (2025)

Авторы: Осадчая Полина Владиславовна, Гаранин Андрей Александрович, Давыдкин Игорь Леонидович

Анализу подвергнуты данные литературы, представленные в открытых медицинских источниках, об использовании возможностей телемедицины в гематологии. Телемедицинская поддержка представляет собой эффективный способ ведения и мониторинга пациентов с целью минимизации визитов в лечебные учреждения в тех случаях, когда этого можно избежать. Изучены опыт и перспективы данного вида взаимодействия с точки зрения удовлетворенности пациентов и эффективности мониторинга различных гематологических заболеваний. Несмотря на малое количество результатов с высокой доказательностью, проведенные исследования демонстрируют оптимистичную картину использования телемедицины в реальной клинической практике, что ведет к необходимости более масштабных и качественных исследований для внедрения различных форм телемониторинга в рутинное наблюдение за гематологическими пациентами.

Сохранить в закладках

КВАНТОВЫЕ ТЕХНОЛОГИИ В ЗДРАВООХРАНЕНИИ: АНАЛИЗ КЕЙСОВ И ПЕРСПЕКТИВ (2025)

Авторы: Кобякова Ольга Сергеевна, Ерёмченко Ольга Андреевна, КУРАКОВА НАТАЛИЯ ГЛЕБОВНА, КАНЕВ А.А.

Использование квантовых технологий открывает новые возможности для разработки лекарственных средств, улучшения качества диагностики, защиты медицинской информации и персональных данных, повышения эффективности принятия врачебных решений. Целью исследования являлось изучение перспектив развития и применения квантовых технологий в сфере здравоохранения. Для достижения цели выполнен анализ отдельных кластеров квантовых технологий, имеющих максимальные перспективы коммерческого применения в здравоохранении; построен патентный ландшафт рассматриваемой технологической области; подготовлен обзор созданных на основе квантовых технологий рыночных продуктов для здравоохранения. Показано, что максимальное развитие в сфере здравоохранения получили квантовые сенсоры, квантовые вычисления и квантово-устойчивые решения кибербезопасности. Количество созданных технических решений в рассматриваемой технологической области, получивших патентную охрану, составляет более 6,5 тысяч, из которых 3,5 тысячи поддерживаются.

В качестве ключевых бенефициаров использования квантовых технологий в здравоохранении предлагается рассматривать, прежде всего, фармацевтические компании и биотехнологические стартапы, которые могут сократить время моделирования и тестирования лекарств, повысить точность прогнозирования побочных эффектов лекарственных средств и взаимодействия лекарственных препаратов за счет использования квантовых вычислений, ускорить анализ больших данных и оптимизировать протоколы клинических исследований.

Сохранить в закладках

Статистика статьи

Статистика просмотров за 2026 год.

Издательство

Издательство: НМХЦ ИМ. Н.И. ПИРОГОВА МИНЗДРАВА РОССИИ
Регион: Россия, Москва
Почтовый адрес: 105203, г Москва, р-н Восточное Измайлово, ул Нижняя Первомайская, д 70
Юр. адрес: 105203, г Москва, р-н Восточное Измайлово, ул Нижняя Первомайская, д 70
ФИО: Карпов Олег Эдуардович (Генеральный директор)
Контактный телефон: +7 (499) 4640303
Сайт: https://www.pirogov-center.ru/

Все права на тексты и товарные знаки принадлежат их законным владельцам. Подробнее...

Сайт https://scinetwork.ru (далее – сайт) работает по принципу агрегатора – собирает и структурирует информацию из публичных источников в сети Интернет, то есть передает полнотекстовую информацию о товарных знаках в том виде, в котором она содержится в открытом доступе.

Сайт и администрация сайта не используют отображаемые на сайте товарные знаки в коммерческих и рекламных целях, не декларируют своего участия в процессе их государственной регистрации, не заявляют о своих исключительных правах на товарные знаки, а также не гарантируют точность, полноту и достоверность информации.

Все права на товарные знаки принадлежат их законным владельцам!

Сайт носит исключительно информационный характер, и предоставляемые им сведения являются открытыми публичными данными.

Администрация сайта не несет ответственность за какие бы то ни было убытки, возникающие в результате доступа и использования сайта.

Спасибо, понятно.

Наведите камеру на QR-код, чтобы открыть моб. версию страницы.