Глубокое машинное обучение (искусственный интеллект) в ультразвуковой диагностике DOI: 10.29188/2542-2413-2020-6-2-22-29

Для цитирования: Лебедев Г.С., Маслюков А.П.., Шадеркин И.А., Шадеркина А.И. Глубокое машинное обучение (искусственный интеллект) в ультразвуковой диагностике. Журнал телемедицины и электронного здравоохранения 2020;(2):22-29
  • Лебедев Г.С. – д.т.н., профессор, заведующий кафедрой информационных и интернет-технологий Первого Московского государственного медицинского университета им. И.М. Сеченова; заведующий отделом инновационного развития и научного проектирования ФГБУ «Центральный научно-исследовательский институт организации и информатизации здравоохранения» МЗ РФ, geramail@rambler.ru, AuthorID 144872.
  • Маслюков А.П. – студент 5 курса Медицинской Школы «Медицина будущего» Первого Московского государственного медицинского университета им. И.М. Сеченова (Сеченовский университет)
  • Шадеркин И.А. – к.м.н., заведующий лабораторией электронного здравоохранения Института цифровой медицины Первого Московского государственного медицинского университета им. И.М. Сеченова (Сеченовский университет); AuthorID 695560
  • Шадеркина А.И. – студентка 1го курса Института клинической медицины Первого Московского государственного медицинского университета им. И.М. Сеченова (Сеченовского университета), SPIN-код автора 1046-4039
122

Введение. Несмотря на давность применения и изученность ультразвукового исследования, его выполнение до сих пор считается сложным оператор-зависимым процессом, требующим многолетнего обучения и большого практического опыта, что делает его результаты трудно воспроизводимыми. Цель обзора – проанализировать методы машинного обучения (искусственного интеллекта – ИИ) в ультразвуковой диагностике и поиск решений проблем, связанных с методикой.

Материалы и методы. Авторы провели тщательный анализ литературы, используя поисковые системы e-library, Pubmed, Schoolar Google, IEEE и проанализировали опубликованные материалы более чем из 106 журналов или конференций по данной теме (Med Imaging, Cell Biochem Biophys, International Journal of Advanced Computer Science and Applications, Journal of Medical Systems и др.), среди которых были отобраны 36, описывающих применение машинного обучения для УЗИ в период до 15 января 2020 года.

Результаты. Мы показали возможности применения методов машинного обучения в диагностике заболеваний различных органов: опухолей молочной железы, узлов щитовидной железы, очаговых заболеваний печени, заболеваний сердечно-сосудистой системы. Во всех случаях САО показало себя достаточно успешно, наравне, а иногда и превышая показатели опытных клиницистов.

Выводы. Применение САО в ультразвуковой диагностике имеет ряд сложностей, таких, как плохое качество изображений, наличие шумов, малое число изображений для анализа. Для их преодоления применяется предварительная обработка изображений с удалением шумов, аугментация данных, создание открытых баз данных. Тем не менее, в настоящее время существуют огромные различия в количестве и модальности набора данных, используемых в различных исследованиях, поэтому трудно справедливо оценить их производительность. Для решения этой проблемы требуется создание стандартизированных наборов данных, что должно стать целью будущих исследований.

Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов.

Прикрепленный файлРазмер
Скачать статью694.51 кб
глубокое машинное обучение, искусственный интеллект, ультразвуковая диагностика