Разработка AI для анализа рентгеновских снимков

Разработка AI для анализа рентгеновских снимков

Рентгеновские снимки — наиболее массовый тип медицинской визуализации. Ежегодно в мире делается более 3 миллиардов рентгеновских исследований. AI-анализ решает задачи: выявление патологий на рентгенограммах органов грудной клетки (пневмония, узлы, отёк), анализ костей (переломы, изменения при остеопорозе), стоматологический рентген (кариес, периодонтит, патологии корней).

Анализ рентгена грудной клетки (CXR)

CheXNet (2017) стал поворотным моментом: DenseNet-121, обученный на 112,120 снимках CheXpert, превзошёл среднего радиолога по ряду патологий.

import torch
import torch.nn as nn
import torchvision.models as models
from torchvision import transforms
from PIL import Image
import numpy as np

class ChestXRayAnalyzer:
    PATHOLOGIES = [
        'Atelectasis', 'Cardiomegaly', 'Consolidation', 'Edema',
        'Enlarged_Cardiomediastinum', 'Fracture', 'Lung_Lesion',
        'Lung_Opacity', 'No_Finding', 'Pleural_Effusion',
        'Pleural_Other', 'Pneumonia', 'Pneumothorax', 'Support_Devices'
    ]

    def __init__(self, model_path: str, threshold: float = 0.5):
        # DenseNet-121 как base
        self.model = models.densenet121(pretrained=False)
        self.model.classifier = nn.Sequential(
            nn.Linear(self.model.classifier.in_features,
                       len(self.PATHOLOGIES)),
            # НЕ sigmoid — используем BCEWithLogitsLoss при обучении
        )
        self.model.load_state_dict(torch.load(model_path))
        self.model.eval()
        self.threshold = threshold

        self.transform = transforms.Compose([
            transforms.Resize((320, 320)),
            transforms.Grayscale(3),  # CXR → 3 канала для ImageNet pretrained
            transforms.ToTensor(),
            transforms.Normalize([0.485, 0.456, 0.406],
                                  [0.229, 0.224, 0.225])
        ])

    @torch.no_grad()
    def analyze(self, dicom_path: str) -> dict:
        import pydicom
        dcm = pydicom.dcmread(dicom_path)
        pixel_array = dcm.pixel_array

        # Нормализация pixel values
        if dcm.PhotometricInterpretation == 'MONOCHROME1':
            pixel_array = pixel_array.max() - pixel_array

        pixel_norm = ((pixel_array - pixel_array.min()) /
                      (pixel_array.max() - pixel_array.min()) * 255).astype(np.uint8)
        image = Image.fromarray(pixel_norm)

        tensor = self.transform(image).unsqueeze(0)
        logits = self.model(tensor)
        probs = torch.sigmoid(logits).squeeze().numpy()

        pathology_scores = {
            path: float(prob)
            for path, prob in zip(self.PATHOLOGIES, probs)
        }

        detected = {k: v for k, v in pathology_scores.items()
                    if v > self.threshold}

        return {
            'all_scores': pathology_scores,
            'detected_pathologies': detected,
            'normal': pathology_scores.get('No_Finding', 0) > self.threshold,
            'critical_findings': self._check_critical(pathology_scores)
        }

    def _check_critical(self, scores: dict) -> list:
        critical_threshold = 0.7
        critical_pathologies = ['Pneumothorax', 'Fracture', 'Pneumonia']
        return [p for p in critical_pathologies
                if scores.get(p, 0) > critical_threshold]

Grad-CAM визуализация

Объяснение «почему модель так решила» критично для доверия врача:

from pytorch_grad_cam import GradCAM
from pytorch_grad_cam.utils.image import show_cam_on_image

class XRayExplainer:
    def __init__(self, model: nn.Module):
        target_layers = [model.features.denseblock4.denselayer16.conv2]
        self.cam = GradCAM(model=model, target_layers=target_layers)

    def explain(self, input_tensor: torch.Tensor,
                target_class: int) -> np.ndarray:
        grayscale_cam = self.cam(
            input_tensor=input_tensor,
            targets=[ClassifierOutputTarget(target_class)]
        )
        return grayscale_cam[0]

Публичные датасеты

Ограничения и регуляторика

Разработанная система выступает как Computer-Aided Detection (CAD) — инструмент поддержки принятия решений, не замена диагноза. Радиолог принимает окончательное решение. В России применение медицинских AI-систем регулируется Росздравнадзором, требуется регистрация как медицинское изделие для клинического применения.