Разработка ML-модели для автоматизированной диагностики (на примере выявления пневмонии по рентгеновским снимкам грудной клетки)

Выпускная квалификационная работа посвящена разработке модели машинного обучения для автоматизированной диагностики пневмонии по рентгеновским снимкам грудной клетки. В современном здравоохранении пневмония остается одной из ведущих причин смертности, и традиционные методы диагностики зависят от квалификации рентгенологов, что приводит к субъективным ошибкам, особенно в условиях дефицита специалистов или эпидемий вроде COVID-19. В работе предлагается решение на основе искусственного интеллекта, используя сверточные нейронные сети, чтобы повысить точность, объективность и скорость анализа изображений.

Работа структурирована логично: введение обосновывает актуальность темы, опираясь на данные ВОЗ и тренды 2024–2025 годов в ИИ, такие как Vision Transformers и федеративное обучение. Цель — создание практического инструмента для клинической практики, с задачами от изучения теории до оценки модели и анализа перспектив внедрения. Объект исследования — системы автоматизированной диагностики на базе ML, предмет — конкретная модель для выявления пневмонии.

В первой главе рассматриваются теоретические основы: обзор применения ML в медицине, методы диагностики (рентгенография, КТ) и алгоритмы обработки изображений (CNN, ResNet, DenseNet). Подчеркиваются преимущества трансферного обучения и механизмов внимания для задач классификации.

Вторая глава фокусируется на практике: сбор датасета "Chest X-ray Images (Pneumonia)" из Kaggle (5856 изображений), предобработка (нормализация, аугментация, балансировка классов), разработка архитектуры на ResNet-50 с CBAM-модулем. Обучение проводилось с оптимизатором Adam, функцией потерь Binary Cross-Entropy и регуляризацией. Результаты: точность 91.8%, чувствительность 93.2%, специфичность 89.6%, F1-score 0.92, AUC-ROC 0.96. Анализ ошибок через матрицу confusion и визуализация зон внимания с Grad-CAM подтверждают клиническую релевантность.

Третья глава анализирует перспективы: ограничения (предвзятость данных, вычислительная сложность), этические аспекты (прозрачность, конфиденциальность), экономическая эффективность (снижение затрат на 15–25%) и социокультурные барьеры, включая сопротивление религиозных и антиИИ групп в России и других странах, которые видят в ИИ угрозу "божественному замыслу", "Парабощение человечества машинами" и т.д.. Предлагаются стратегии преодоления: сертификация по нормам Росздравнадзора, интеграция в МИС, диалог с обществом.

Заключение подводит итоги, формулирует выводы о высокой производительности модели и предлагает направленобъемом около 5ия развития: GAN для аугментации, мультимодальные подходы, Explainable AI. Работа включает таблицы (характеристики датасета, параметры модели), рисунки (примеры снимков, схемы архитектуры, кривые обучения).

Подходит студентам бакалавриата или магистратуры по направлениям "Информатика и вычислительная техника", "Биотехнические системы и технологии", "Прикладная информатика" или "Медицинская кибернетика"

Введение 3

Глава 1. Теоретические основы применения машинного обучения в медицинской диагностике 8

1.1. Обзор применения машинного обучения в медицине 8

1.2. Методы диагностики заболеваний в клинической практике 12

1.3. Алгоритмы машинного обучения для обработки медицинских изображений 17

Глава 2. Практическая реализация ML-модели для автоматизированной диагностики 22

2.1. Сбор и предобработка данных 22

2.2. Разработка архитектуры модели 27

2.3. Обучение, тестирование и оценка модели 33

Глава 3. Перспективы развития и внедрения ML-модели в клиническую практику 40

3.1. Анализ результатов и ограничений 40

3.2. Возможности внедрения 45

3.3. Перспективы дальнейшего развития 50

Заключение 55

Список использованных источников 58

1. Абдуллаев А. А. Применение сверточных нейронных сетей для диагностики заболеваний легких // Журнал искусственного интеллекта и медицины. – 2024. – № 3. – С. 45–56. 

2. Алгоритмы машинного обучения в медицинской визуализации: учебное пособие / Под ред. В. И. Петрова. – М.: Изд-во МГУ, 2023. – 320 с.

3. Андреев В. П. Этические аспекты применения ИИ в здравоохранении // Этика и технологии. – 2023. – № 2. – С. 12–20. 

4. Баранов Д. С. Методы предобработки медицинских изображений для машинного обучения // Вестник медицинских технологий. – 2024. – № 1. – С. 33–41. 

5. Беляев И. К. Интеграция ИИ в медицинские информационные системы // Информатика и здравоохранение. – 2023. – № 4. – С. 78–85. 

6. Ванюшин А. И. Методика анализа данных в области медицины // Известия науки России: электрон. журн. – 2020. – Т. 4. – С. 130–145. 

7. Васильев А. Н. Роль сверточных нейронных сетей в диагностике пневмонии // Труды международной конференции по ИИ в медицине. – СПб.: Изд-во СПбГУ, 2024. – С. 102–110.

8. Внедрение искусственного интеллекта в здравоохранение: вызовы и перспективы // Минздрав РФ: [сайт]. – 2024. – URL: https://minzdrav.gov.ru/news/2023/12/02/20629-pervyy-den-kongressa-natsionalnoe-zdravoohranenie-2023-bezopasnost-natsionalnogo-zdravoohraneniya-vnedrenie-innovatsiy-i-meditsinskie-kadry (дата обращения: 04.09.2025).

9. ГОСТ Р 7.0.100–2018. Библиографическая запись. Библиографическое описание. Общие требования и правила составления. – М.: Стандартинформ, 2018. – 28 с.

10. Григорьев С. В. Рентгенография в диагностике заболеваний легких // Медицинская визуализация. – 2023. – № 5. – С. 22–30.

11. Громов М. Ю. Применение Generative Adversarial Networks в медицинской визуализации // Журнал компьютерных наук. – 2024. – № 2. – С. 67–75. 

12. Егоров Д. А. Балансировка классов в задачах медицинской классификации // Труды Всероссийской конференции по ИИ. – М.: Изд-во МФТИ, 2023. – С. 89–97.

13. Елисеева О. П. Проблемы сертификации ИИ в медицинской практике // Здравоохранение и право. – 2024. – № 3. – С. 15–23. 

14. Жуков В. И. Автоматизация диагностики пневмонии с использованием ResNet // Научные исследования в медицине. – 2023. – № 4. – С. 55–63. 

15. Иванов А. А. Методы интерпретируемости в глубоких нейронных сетях // Искусственный интеллект: теория и практика. – 2024. – № 1. – С. 28–36. 

16. Искусственный интеллект в медицине: глобальные тренды // ВОЗ: [сайт]. – 2024. – URL: https://www.who.int/ru/news/item/11-07-2025-who--itu--wipo-showcase-a-new-report-on-ai-use-in-traditional-medicine (дата обращения: 04.09.2025).

17. Коваленко Н. В. Аугментация данных для медицинских изображений // Журнал медицинских технологий. – 2023. – № 6. – С. 41–49. 

18. Козлов А. С. Этика и ИИ: проблемы предвзятости данных // Философия технологий. – 2024. – № 2. – С. 19–27. 

19. Кузнецова Е. Н. Религиозные барьеры в развитии медицинских технологий // Социология и религия. – 2023. – № 3. – С. 34–42. 

20. Лебедев Г. С. Мультимодальные подходы в диагностике заболеваний // Медицинская информатика. – 2024. – № 1. – С. 50–58. 

21. Лисицын Ю. П. История медицины: учебное пособие. – М.: ГЭОТАР-Медиа, 2022. – 432 с.

22. Михайлов Д. В. Проблемы внедрения ИИ в российском здравоохранении // Здравоохранение России. – 2023. – № 5. – С. 66–74.

23. Нормативные акты в области здравоохранения: сборник. – М.: Юрист, 2023. – 280 с.

24. О внедрении искусственного интеллекта в здравоохранение: постановление Правительства РФ от 15.11.2023 № 1923 // Собрание законодательства РФ. – 2023. – № 47. – Ст. 3241.

25. Осипов А. В. Роль федеративного обучения в защите медицинских данных // Кибербезопасность. – 2024. – № 2. – С. 29–37. 

26. Петрова Т. М. Проблемы интерпретируемости ИИ в медицинской диагностике // Журнал прикладной информатики. – 2023. – № 4. – С. 15–23. 

27. Пневмония: диагностика и лечение: клинические рекомендации / Минздрав РФ. – М.: ГЭОТАР-Медиа, 2023. – 120 с.

28. Попов С. И. Влияние религиозных убеждений на развитие медицины // Религия и общество. – 2024. – № 1. – С. 44–52. 

29. Проблемы цифровизации здравоохранения в России // Росздравнадзор: [сайт]. – 2020. – URL: https://roszdravnadzor.gov.ru/i/upload/images/2020/7/15/1594803829.85235-1-118927.pdf (дата обращения: 04.09.2025).

30. Сидоров В. А. Сверточные нейронные сети: теория и практика. – М.: Техносфера, 2023. – 412 с.

31. Смирнов А. В. Религиозные аспекты противодействия технологиям ИИ // Журнал этики и религии. – 2023. – № 2. – С. 25–33. 

32. Соколов П. Н. Экономическая эффективность ИИ в здравоохранении // Экономика здравоохранения. – 2024. – № 3. – С. 18–26. 

33. Технологии искусственного интеллекта в медицине: международный обзор // Nature Medicine. – 2024. – Vol. 30, № 5. – P. 123–135. 

34. Федоров А. И. Методы глубокого обучения в медицинской визуализации // Компьютерные науки и медицина. – 2023. – № 6. – С. 33–41. 

35. Черепанов М. В. Автоматизация диагностики с использованием ИИ: вызовы и решения // Труды конференции по цифровизации здравоохранения. – М.: Изд-во РНИМУ, 2024. – С. 77–85.

36. Шарипов Р. Р. Роль ИИ в скрининге пневмонии // Медицинские технологии. – 2024. – № 2. – С. 50–58. 

37. Яковлев Д. В. Религиозные и социокультурные барьеры внедрения ИИ // Социология технологий. – 2024. – № 4. – С. 29–37.