Публикации автора

В условиях ускоренной цифровизации здравоохранения особую актуальность приобретают вопросы информационной безопасности медицинских данных. В статье представлен подход к минимизации рисков, связанных с внедрением интеллектуальных систем обработки биомедицинских изображений в онкогематологии. Меры информационной безопасности были интегрированы на этапе проектирования системы, разработанные в соответствии с актуальными нормативными требованиями ФСТЭК России и ФСБ России в области защиты критической информационной инфраструктуры для обеспечения многоуровневой защиты персональных данных пациентов, и гарантируют целостность результатов анализа. Для повышения доверия к решениям, вырабатываемым системой искусственного интеллекта, реализована интерпретируемость: врач может визуально оценить, на какие области препарата модель обратила внимание при классификации клеток, что позволяет отличить обоснованное решение от реакции на артефакты фона и уверенно верифицировать рекомендации системы. Учтены риски отказа цифровой инфраструктуры: внедрены автономный режим работы и функция формирования бумажного отчёта. Пилотное внедрение системы позволило оценить её влияние на ключевые этапы диагностического процесса. Особенно заметный эффект был достигнут на этапе аннотирования препаратов костного мозга: система значительно снизила когнитивную нагрузку экспертов, упростила выявление бластных клеток и способствовала более последовательной и полной маркировке морфологических элементов. В результате повысилась чувствительность анализа – число пропущенных бластов сократилось, а врачи отметили высокую полезность ИИ-рекомендаций. Эти результаты подтверждают, что только комплексный подход, объединяющий технические, организационные и правовые меры, позволяет создать надёжную и безопасную цифровую экосистему, реально встраивающуюся в клиническую практику.

Актуальность и цели. В условиях современного здравоохранения возрастает потребность в эффективных методах анализа биомедицинских изображений для диагностики заболеваний. Настоящее исследование направлено на разработку системы анализа текстуры биомедицинских изображений, которая использует различные подходы для выявления структурных различий между объектами.

Материалы и методы. В работе применяются методы анализа локальных распределений пикселей, Фурье-преобразования и фракталов. Для оценки информативности текстурных признаков используются классификатор «случайный лес» и методы уменьшения размерности и кластеризации, реализованные в библиотеке Scikit-learn. Экспериментальные данные включают изображения клеток костного мозга, КТ-снимки и новообразования кожи.

Результаты. Результаты экспериментов показывают, что для классификации изображений клеток крови костного мозга наиболее информативными являются признаки на основе матрицы пространственной смежности и Фурье-преобразования. Для КТ-изображений новообразований кожи также выявлены эффективные текстурные признаки, достигающие f1 метрики до 0,93.

Выводы. Разработанная система позволяет эффективно анализировать текстуру биомедицинских изображений и предоставляет инструменты для автоматизированной оценки характеристик опухолей, что может значительно повысить точность диагностики. Дальнейшие исследования будут направлены на расширение функционала системы и улучшение методов визуализации данных.