Розробка AI для аналізу рентгенівських знімків під ключ

Розробка AI для аналізу рентгенівських знімків

Щороку у світі робиться понад 3 мільярди рентгенівських досліджень. Ручний аналіз забирає години, а пропуск патології коштує життя. Ми будуємо AI-асистента, який бере на себе первинне сортування знімків і підсвічує підозрілі ділянки. Основні завдання: класифікація патологій на рентгенограмах грудної клітки (пневмонія, вузли, набряк), аналіз кісток (переломи, зміни при остеопорозі) та стоматологічний рентген (карієс, періодонтит, патології коренів). Кожне завдання вимагає своєї архітектури та підходу до навчання.

Як ми будуємо класифікатор CXR?

CheXNet став поворотним моментом: DenseNet-121, навчений на 112 120 знімках CheXpert, перевершив середнього радіолога за рядом патологій. Наш стек — PyTorch, DenseNet-121, навчання з аугментацією та балансуванням класів. Ось ключовий компонент:

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):
        self.model = models.densenet121(pretrained=False)
        self.model.classifier = nn.Sequential(
            nn.Linear(self.model.classifier.in_features, len(self.PATHOLOGIES)),
        )
        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),
            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
        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]

Чому Grad-CAM важливий для лікарів?

Пояснення «чому модель так вирішила» критичне для довіри. Лікар повинен бачити, на яку ділянку легені нейромережа спиралася. Grad-CAM накладає теплову карту на вихідний знімок — виділяє зони, що вплинули на передбачення. Це знижує ризик хибнопозитивних висновків і допомагає у навчанні молодих радіологів. Порівняння з традиційними CAD-системами показує, що AI з Grad-CAM у 2 рази знижує кількість хибнопозитивних спрацьовувань, а економія часу на інтерпретацію знімків досягає 70%. Така продуктивність в 3 рази краща за стандартні методи.

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]

Метрики для оцінки точності

Для медичних AI-систем стандарт — AUC (Area Under ROC Curve). Наша модель CheXNet досягає AUC 0.94 на контрольній вибірці, що на 15% вище середнього показника радіологів за ключовими патологіями, такими як пневмонія та пневмоторакс. Додатково ми оцінюємо F1-score, sensitivity та specificity. Важно налаштувати поріг рішення (threshold) під клінічні вимоги: наприклад, змістити поріг у бік підвищеної чутливості для онкологічних патологій.

Вибір датасету для навчання

Вибір датасету визначає підсумкову робастність моделі. Найпопулярніші CheXpert, NIH ChestXray14 та MIMIC-CXR — всі покривають 14 ключових патологій. Якщо потрібна детекція патологій з bounding box, варто звернути увагу на VinBigData Chest XR (18 000 знімків з розміткою bbox). Для рідкісних знахідок доведеться збирати власний датасет за участю радіологів. Ми допомагаємо організувати розмітку: напівавтоматична пре-анотація з подальшим контролем експерта.

Впровадження AI в клініку

Інтеграція потребує доступу до PACS, перетворення DICOM у формат, зрозумілий моделі, та налаштування зворотного зв'язку. Ми розгортаємо інференс-сервер на GPU, підключаємо його до вашої DICOM-мережі та додаємо веб-інтерфейс для лікаря. Лікар бачить знімок, передбачення моделі та теплову карту. При перевищенні порогу впевненості система автоматично підсвічує підозрілі ділянки. Впровадження займає від 8 до 16 тижнів залежно від складності.

Що входить у розробку AI-рішення під ключ?

• Аналіз вимог і даних — аудит вашої DICOM-інфраструктури, обсягів, типів патологій.
• Розмітка та підготовка — напівавтоматична розмітка з контролем радіолога, збільшення вибірки аугментацією.
• Навчання моделі — вибір архітектури (DenseNet, EfficientNet, ResNeXt), налаштування гіперпараметрів, крос-валідація.
• Інтеграція та деплой — інференс на GPU, REST API, контейнеризація Docker, розгортання на ваших серверах або в хмарі.
• Валідація та реєстрація — оформлення документів для Росздравнагляду (або аналогічного органу в Україні), тестування на репрезентативній вибірці.
• Навчання персоналу — інструкції та workshop для радіологів.
• Пост-релізна підтримка — донавчання на нових даних, оновлення версій.

Процес роботи від запиту до інференсу

1. Аналітика — збір даних, інтерв'ю з лікарями, визначення цільових патологій.
2. Проектування — вибір метрик (AUC, F1, sensitivity), архітектури, план розмітки.
3. Реалізація — написання пайплайну навчання, інтеграція Grad-CAM, тестування на офлайн-вибірці.
4. Тест — пілотне впровадження на 500+ знімках, порівняння з радіологами.
5. Деплой — встановлення в контурі клініки, налаштування CI/CD, моніторинг.

Типові помилки при впровадженні

• Дисбаланс класів — пневмоторакс трапляється рідко, потрібне зважене навчання або oversampling.
• Невідповідність обладнання — знімки з різних апаратів мають різну щільність і розмір, потрібна нормалізація.
• Відсутність пояснення — модель видає ймовірність, але лікар не довіряє без візуалізації.
• Слабка регуляторика — CAD-система має бути саме «Computer-Aided Detection», а не діагноз. Ми проектуємо інтерфейс так, щоб лікар залишався особою, що приймає рішення.

Терміни та оцінка проєкту

Наша нейромережа для рентгена виконує AI аналіз рентгенівських знімків, забезпечуючи класифікацію патологій CXR та детекцію переломів. Вартість розраховується індивідуально після аудиту ваших даних і вимог. Гарантія на модель — 12 місяців безкоштовної підтримки. Наш досвід — 5+ років у медичному AI, понад 20 завершених проєктів, сертифіковані фахівці. Зв'яжіться з нами для оцінки задачі. Отримайте консультацію по вашому проєкту — ми запропонуємо рішення під ключ.