В исследовании оценивалась способность больших языковых моделей (GPT-4.1, Claude, Gemini) автоматически определять временные изменения (новые, улучшенные, ухудшенные, стабильные, разрешенные находки) в последовательных отчетах рентгенографии грудной клетки. На наборе данных LUNGUAGE (1500 примеров) лучший результат показала модель GPT-4.1 с few-shot стратегией промптов: точность 0.8369, макро-F1 0.7888. Авторы делают вывод, что LLM перспективны для временных клинических рассуждений, а эффективность зависит от архитектуры модели и стратегии промптов.
В данном исследовании проводится сравнительный анализ глубоких нейронных сетей для задач локализации, сегментации и классификации костных опухолей на основе рентгеновских снимков. Авторы использовали публичный набор данных BTXRD, состоящий из 3746 мускулоскелетных рентгенограмм, для обучения и тестирования нескольких архитектур: сегментационной модели YOLOv8s-seg и классификаторов MobileNetV3-Large, EfficientNet-B3 и ConvNeXt-Tiny. Особое внимание уделено объяснимости ИИ (XAI): методы Grad-CAM, Grad-CAM++ и Layer-CAM применялись для генерации карт активации, которые затем количественно сравнивались с экспертными масками опухолей с помощью метрик IoU. Результаты показали, что модель ConvNeXt-Tiny достигла наивысшей точности бинарной классификации — 0.879, а YOLOv8s-seg продемонстрировала среднюю точность mAP50 на уровне 0.676 для боксов и 0.668 для масок. При объединении классификатора EfficientNet-B3 и сегментатора YOLOv8s-seg было достигнуто согласие в 80.7% случаев тестовой выборки, при этом точность внутри согласованной подвыборки составила 93.6%. Исследование подчеркивает важность пространственного соответствия в объяснимых моделях, хотя и отмечает ограничения внешнего валидационного набора данных, который не позволяет оценить специфичность и частоту ложноположительных срабатываний. Работа демонстрирует практический потенциал глубокого обучения в радиологии, особенно в контексте интерпретируемости решений ИИ для врачей-рентгенологов.
Ученые Научно-практического клинического центра диагностики и телемедицинских технологий Департамента здравоохранения Москвы разработали систему искусственного интеллекта для автоматического контроля качества рентгенограмм органов грудной клетки. Алгоритм анализирует снимки и выявляет дефекты в среднем за 14 секунд, что значительно ускоряет процесс проверки по сравнению с ручной оценкой. В ходе пилотного исследования система продемонстрировала высокую эффективность в обнаружении двух типов ошибок: неправильного позиционирования пациентов при съемке и некорректного заполнения метаданных снимков. Решение направлено на снижение количества бракованных исследований и повышение диагностической точности рентгенографии. Результаты работы опубликованы в рецензируемом журнале Digital Diagnostics, что подтверждает научную ценность разработки. Внедрение такого ИИ-инструмента в клиническую практику может существенно улучшить организацию рентгенологических исследований в медицинских учреждениях.
Разработан интерпретируемый мультимодальный ИИ-фреймворк, объединяющий эмбеддинги рентгенограмм грудной клетки (DEiT-трансформер) с клиническими, демографическими и социальными данными пациентов для диагностики лекарственно-устойчивого туберкулёза. Модель XGBoost достигла PR-AUC 0.9258 и ROC-AUC 0.8718 на 6279 пациентах, при этом анализ SHAP выявил ключевые факторы риска — контакты с больными, статус занятости и радиологические аномалии. Клиницисты подтвердили правдоподобность объяснений модели.
Исследование посвящено применению искусственного интеллекта для выявления остеопороза на основе стандартных рентгенограмм грудной клетки, что позволяет использовать уже существующие медицинские снимки для скрининга пациентов. Работа фокусируется на азиатских популяциях, где распространённость остеопороза остаётся недооценённой из-за недостатка скрининговых программ. Методология включает обучение моделей машинного обучения на больших наборах данных рентгенограмм с подтверждёнными диагнозами остеопороза. Ключевая цель исследования — устранение диагностического неравенства, обеспечив доступ к раннему выявлению остеопороза в регионах с ограниченными ресурсами. Ожидается, что внедрение ИИ-алгоритмов позволит выявлять пациентов с риском остеопороза без необходимости дополнительных дорогостоящих исследований, таких как денситометрия. Статья подчёркивает важность этических аспектов разработки ИИ-систем для различных этнических групп и необходимости валидации моделей на репрезентативных выборках. Результаты исследования могут существенно повлиять на клиническую практику, особенно в странах Азии, где доступ к денситометрии ограничен.
