Разработка AI-системы анализа медицинских изображений

AI-система анализа медицинских изображений

Представьте: рентгенолог просматривает 100 снимков в день, усталость нарастает, а пропущенный узелок в лёгком — это уже клинический случай. Мы сталкивались с ситуацией, когда модель даёт 99% accuracy, но на редкой патологии ошибается с катастрофической уверенностью. Именно поэтому мы строим медицинские CV-системы, которые не просто детектируют аномалии, но и честно сообщают о неуверенности, а врач остаётся в контуре принятия решений.

Медицинский CV требует не только высокой accuracy, но и калиброванной уверенности, интерпретируемости (Grad-CAM, SHAP), соответствия регуляторам (MDR, FDA 510(k)) и обязательного human-in-the-loop для высокорисковых решений. Наш опыт — 7+ лет в ML для здравоохранения, 12+ коммерческих проектов, включая сертифицированные системы. Гарантируем прозрачность каждого этапа — от прототипа до клинического применения.

Какие архитектуры оптимальны для медицинской CV?

Выбор backbone зависит от модальности. DenseNet121 показывает лучшее соотношение качество/скорость для рентгена — на 15% выше AUC по сравнению с ResNet50 на CheXpert. Для КТ используем 3D ResNet или 2.5D ensemble (3 ортогональных среза). В гистологии эффективна EfficientNet с патч-стратегией (слайд разбивается на 512x512 тайлы). По нашим тестам, EfficientNet-B3 превосходит DenseNet121 по F1 на 0.03 при равной скорости вывода, но требует больше GPU памяти.

Почему объяснимость критична в медицинском AI?

Врач никогда не поверит "чёрному ящику". Grad-CAM показывает, на каком регионе модель фокусируется: затемнение в лёгком, утолщение плевры. Исследование Rajpurkar et al. (2017) показало, что CheXNet достигает AUC 0.92, но без объяснения модель бесполезна в клинике. Мы всегда поставляем heatmap вместе с предсказанием, а для критических случаев добавляем SHAP-значения. Больше о Grad-CAM.

Как мы строим надёжный пайплайн предобработки?

Предобработка — основа любой медицинской CV-системы. DICOM-файлы содержат метаданные (RescaleSlope, WindowCenter) и пиксельные массивы в Hounsfield units для КТ. Без правильного windowing модель будет видеть «шум» вместо патологии. Мы используем pydicom (официальная документация) для чтения и преобразования. Для рентгена — перцентильное масштабирование (1-99%), для КТ — оконное с настраиваемыми параметрами.

Также обязательна аугментация: RandomRotation, ElasticTransform, но с осторожностью — медицинские данные чувствительны к геометрическим искажениям.

import pydicom
import numpy as np
import cv2

def dicom_to_array(
    dcm_path: str,
    target_modality: str = 'xray',
    window_center: float = None,
    window_width: float = None
) -> np.ndarray:
    """
    Нормализация DICOM в диапазон [0, 255] uint8.
    Для КТ обязательно windowing по HU.
    """
    dcm = pydicom.dcmread(dcm_path)
    array = dcm.pixel_array.astype(np.float32)
    
    slope = float(getattr(dcm, 'RescaleSlope', 1))
    intercept = float(getattr(dcm, 'RescaleIntercept', 0))
    array = array * slope + intercept
    
    if target_modality == 'ct':
        wc = window_center or float(getattr(dcm, 'WindowCenter', -600))
        ww = window_width  or float(getattr(dcm, 'WindowWidth', 1500))
        lower = wc - ww / 2
        upper = wc + ww / 2
        array = np.clip(array, lower, upper)
    elif target_modality == 'xray':
        p1, p99 = np.percentile(array, [1, 99])
        array = np.clip(array, p1, p99)
    
    arr_min, arr_max = array.min(), array.max()
    if arr_max > arr_min:
        array = (array - arr_min) / (arr_max - arr_min) * 255
    return array.astype(np.uint8)

Детекция патологий на рентгене: CheXNet-подход

import torch
import torch.nn as nn
import timm
from torch.cuda.amp import autocast

PATHOLOGY_CLASSES = [
    'Atelectasis', 'Cardiomegaly', 'Consolidation', 'Edema',
    'Enlarged Cardiomediastinum', 'Fracture', 'Lung Lesion',
    'Lung Opacity', 'No Finding', 'Pleural Effusion',
    'Pleural Other', 'Pneumonia', 'Pneumothorax', 'Support Devices'
]

class ChestXRayClassifier(nn.Module):
    def __init__(
        self,
        backbone: str = 'densenet121',
        num_classes: int = 14,
        pretrained: bool = True
    ):
        super().__init__()
        self.backbone = timm.create_model(
            backbone,
            pretrained=pretrained,
            num_classes=0,
            global_pool='avg'
        )
        feat_dim = self.backbone.num_features
        self.classifier = nn.Sequential(
            nn.Linear(feat_dim, 512),
            nn.ReLU(),
            nn.Dropout(0.3),
            nn.Linear(512, num_classes)
        )

    def forward(self, x: torch.Tensor) -> torch.Tensor:
        features = self.backbone(x)
        return self.classifier(features)

class WeightedBCEWithLogitsLoss(nn.Module):
    def __init__(self, pos_weights: torch.Tensor):
        """
        pos_weights[i] = n_neg[i] / n_pos[i] для класса i.
        CheXpert: типичный дисбаланс 15:1 - 100:1.
        """
        super().__init__()
        self.loss_fn = nn.BCEWithLogitsLoss(pos_weight=pos_weights)

    def forward(self, logits, targets):
        return self.loss_fn(logits, targets)

Grad-CAM для объяснимости

Интерпретируемость обязательна — врач видит, где модель ошибается или права. Grad-CAM генерирует тепловую карту, накладываемую на оригинал.

import torch
import numpy as np
import cv2

class GradCAM:
    def __init__(self, model: nn.Module, target_layer: nn.Module):
        self.model = model
        self.gradients = None
        self.activations = None

        target_layer.register_forward_hook(
            lambda m, i, o: setattr(self, 'activations', o)
        )
        target_layer.register_backward_hook(
            lambda m, gi, go: setattr(self, 'gradients', go[0])
        )

    def generate(
        self,
        image_tensor: torch.Tensor,
        target_class: int,
        original_size: tuple
    ) -> np.ndarray:
        self.model.eval()
        output = self.model(image_tensor)
        self.model.zero_grad()
        output[0, target_class].backward()

        weights = self.gradients.mean(dim=[2, 3], keepdim=True)
        cam = (weights * self.activations).sum(dim=1, keepdim=True)
        cam = torch.relu(cam).squeeze().cpu().numpy()

        cam = (cam - cam.min()) / (cam.max() - cam.min() + 1e-8)
        cam = cv2.resize(cam, (original_size[1], original_size[0]))
        return cam

Как мы тестируем модель на редких патологиях?

Для редких заболеваний (распространённость < 1%) стандартное train/test разделение не подходит. Мы используем few-shot learning (модель обучается на 5-10 примерах) и реалистичную симуляцию: подкладываем редкие патологии в тестовый набор с разными дозами. Метрики считаем отдельно для частых и редких классов. Если recall на редком классе < 0.7 — включаем дополнительный детектор или rule-based фильтр. Такой подход уже применялся в проекте по выявлению интерстициальных заболеваний лёгких: recall вырос с 0.4 до 0.85.

Метрики для медицинской классификации

Процесс работы

1. Аналитика и аудит данных: сбор требований, оценка качества датасета, распределение классов.
2. Проектирование архитектуры: выбор backbone (DenseNet, 3D ResNet, EfficientNet), стратегия fine-tuning (LoRA, full fine-tune).
3. Обучение и валидация: кросс-валидация, мониторинг метрик (AUC, sensitivity, ECE), тестирование на редких классах.
4. Интеграция объяснимости: Grad-CAM, SHAP для каждого предсказания.
5. Деплой и MLOps: Triton Inference Server, ONNX Runtime, A/B тестирование, логирование дрейфа.
6. Документация и сертификация: model card, отчёт по валидации, поддержка при подготовке к CE/FDA.

Сроки

Готовы оценить ваш датасет и посчитать метрики на пилотном проекте? Свяжитесь с нами — проведём аудит за 2 дня и предложим архитектуру. Реализуем систему под ключ: от сбора требований до развёртывания в клинике.

Как distribution shift убивает метрики CV-модели в промышленности

На производстве ставят камеру, контролируют качество продукции. Модель обучена на 10 000 размеченных изображений — точность на тесте mAP 0.84. Запускают в продакшен — и в первую же неделю пропускают 30 % дефектов. Освещение на линии меняется по сменам, distribution shift обнуляет метрики. Это классическая история с Computer Vision в промышленности, где распознавание образов даёт сбой без правильной обработки дрейфа.

Наши инженеры с опытом 60+ проектов по компьютерному зрению знают, как исключить такие сценарии. Гарантируем стабильную работу модели под реальными условиями.

Детекция объектов: YOLO, RT‑DETR и всё что между ними

YOLO — стандарт для real‑time детекции. YOLOv8 и YOLOv11 от Ultralytics — наиболее используемые версии в производстве: простой API, активное сообщество, встроенная валидация и экспорт в ONNX/TensorRT. Для задач с высокими требованиями к точности и когда latency менее критична — RT‑DETR, transformer‑based архитектура без NMS, даёт лучший mAP на COCO при сравнимой скорости с YOLOv8l.

Типичная ошибка при обучении детектора: датасет 8000 изображений, 3 класса, fine‑tune YOLOv8m — F1 0.73 на валидации. Смотрим confusion matrix — один класс почти никогда не детектируется. Причина: дисбаланс 1:23. Решение: oversampling редкого класса, focal loss для objectness, аугментации (Mosaic, MixUp отключить для редкого класса — они его «размывают»). Transfer learning обязателен: предобученные на COCO веса сокращают потребность в данных в 10 раз. Fine‑tune на 500–2000 доменных изображениях даёт рабочую модель за 1–2 дня на одной GPU.

Для edge deployment: экспорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin даёт 150+ FPS при P99 latency < 8 ms — это в 3 раза быстрее, чем ONNX Runtime без TensorRT. На сервере A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Как fine‑tuning YOLO помогает в распознавании образов?

Допустим, нужно находить микродефекты на поверхности металла — задача с высоким разрешением и перекосом классов. Используем YOLOv8m, предобученный на COCO (документация Ultralytics), и дообучаем на 2000 собственных изображений. Применяем аугментации Mosaic, MixUp, random perspective. После 200 эпох mAP 0.5 достигает 0.93. Ключевые приёмы:

• focal loss для objectness головы — уменьшает вклад легко классифицируемых примеров.
• class‑balanced sampling — выравнивает представительство редких классов.
• Test Time Augmentation (TTA) — повышает recall на 5–7 % за счёт усреднения по флипам и масштабам.

Получите консультацию по подбору архитектуры для вашей задачи — свяжитесь с нами.

Сегментация: SAM, Mask R‑CNN и instance segmentation

SAM (Segment Anything Model) от Meta изменил подход к сегментации. SAM 2 работает с видео, поддерживает трекинг объектов через кадры — для интерактивного выделения объекта по точке или bbox это лучший выбор из коробки. Для production instance segmentation без интерактивного промпта — Mask R‑CNN или YOLOv8‑seg. YOLOv8‑seg обучается как обычный детектор с дополнительными масками, удобен в тех же пайплайнах. Семантическая сегментация (каждый пиксель — класс) — SegFormer, DeepLabV3+. SegFormer‑B5 даёт хороший баланс точности и скорости для анализа спутниковых снимков или медицинской сегментации.

Кейс: сегментация клеток на микроскопических изображениях. Датасет 400 изображений с ручной разметкой. Обучение Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — плохо. Проблема: объекты (клетки) перекрываются, стандартный NMS убивает перекрывающиеся предсказания. Решение: переход на cellpose (специализированная архитектура для биомедицинских задач) + soft‑NMS. IoU вырос до 0.79.

OCR: когда Tesseract не справляется

Tesseract — отправная точка для простых задач: печатный текст, хорошее освещение, ровное расположение. Как только появляются рукописные элементы, нестандартные шрифты, перспективные искажения или многоколоночный макет — Tesseract деградирует быстро.

PaddleOCR — production‑grade решение: обнаружение текстовых блоков + распознавание + структурный анализ. Работает из коробки для 80+ языков, включая русский. Поддерживает таблицы и документы со сложной структурой. Wikipedia: Оптическое распознавание символов. TrOCR (Microsoft) — трансформерный OCR с сильными результатами на рукописном тексте. Для русского рукописного текста нужен fine‑tuning: базовая модель обучена преимущественно на латинице.

Что делать, если Tesseract не справляется с распознаванием образов на документах?

Для задач «извлеки данные из счёта / договора / паспорта» используем LayoutLMv3 или Donut — эти модели понимают layout документа, а не только текст. Интеграция через Hugging Face Transformers, fine‑tuning на 200–500 размеченных документах. Типичный pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Обнаружение текстовых блоков: PaddleOCR detection или CRAFT.
3. Распознавание: PaddleOCR recognition или TrOCR.
4. Post‑processing: нормализация, валидация через regex или LLM для структурированных полей.

Для документов с фиксированной структурой template matching + OCR точечно по координатам зачастую надёжнее end‑to‑end решения.

Face Recognition: идентификация и верификация

Face recognition = detection + alignment + embedding + matching. Каждый этап важен.

Detection: RetinaFace или InsightFace для точной локализации лица и ключевых точек. MTCNN — более старое, но надёжное решение. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Модели iresnet50/iresnet100 предобучены на MS1MV3 (5M идентичностей). Эмбеддинг‑вектор 512 float32, сравнение по cosine similarity. Threshold tuning: порог решения — критический параметр. При threshold 0.6 типичный FPR на LFW benchmark — 0.001, TPR — 0.985. В production threshold нужно калибровать под реальный distribution: люди в масках, с изменившейся внешностью, в разных условиях освещения. Liveness detection обязателен: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo содержит несколько предобученных liveness‑детекторов.

Видеоаналитика

Видео — последовательность кадров плюс временное измерение. Наивный подход — детектировать на каждом кадре — дорого.

Трекинг: ByteTrack и BoT‑SORT — стандарт для multi‑object tracking. Работают поверх любого детектора, добавляют persistent ID объектам между кадрами — это даёт подсчёт объектов, треки движения, velocity.

Оптимизация: не нужно обрабатывать каждый кадр. Для статичных сцен детекция на каждом 5–10 кадре, между ними — трекер. Для детекции событий (человек вошёл в зону) background subtraction (OpenCV MOG2) как lightweight pre‑filter перед нейросетевой детекцией. Action Recognition: SlowFast, VideoMAE для классификации действий. Тяжёлые модели — для production используем ONNX export + TensorRT либо оффлайн обработку.

Как измерить качество модели распознавания образов в продакшене?

Мониторинг качества — ключевой элемент MLOps. Отслеживаем:

• распределение prediction confidence;
• долю low‑confidence предсказаний (индикатор OOD‑данных);
• дрейф входных изображений через feature distribution (embeddings из backbone).

Падение средней confidence с 0.87 до 0.71 за неделю — ранний сигнал о distribution shift. NVIDIA Triton Inference Server рекомендует отслеживать эти метрики через Prometheus. Наши сертифицированные инженеры настраивают мониторинг и гарантируют SLA по качеству инференса.

Деплой CV‑моделей

Для онлайн инференса используем Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Поддерживает TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST и gRPC API. Гарантируем стабильную работу под нагрузкой.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобильных устройств. OpenVINO для Intel CPU/GPU/VPU — даёт 2–3× прирост скорости на Intel железе по сравнению с ONNX Runtime. После деплоя передаём модель с документацией и обучаем персонал.

Что входит в работу

Сроки и стоимость

Прототип детектора на существующих данных — 1–2 недели. Production‑система с оптимизацией под целевое железо — 4–8 недель. Полный цикл включая разметку данных (1000–5000 изображений) — 2–4 месяца. Стоимость рассчитывается индивидуально под каждую задачу. Примерная экономия от внедрения системы контроля качества — до 1 млн рублей в месяц на одном производственном участке.

Мы на рынке более 5 лет, реализовали 60+ проектов по компьютерному зрению. Оценим ваш проект под ключ — закажите консультацию, чтобы получить расчёт и техническое предложение.