Искусственный интеллект в лучевой диагностике: Per Aspera Ad Astra
- -
- 100%
- +
88
РИД MosMedData МРТ малого таза с морфометрическими показателями предстательной железы №2025620045 от 09.01.2025.
89
Подготовка наборов данных, обогащенных клинической информацией: методические рекомендации. М.: ГБУЗ «НПКЦ ДиТ ДЗМ», 2024. 40 с.; свидетельство о государственной регистрации базы данных №2023624880 Российская Федерация. MosMedData: ММГ с наличием и отсутствием признаков злокачественных новообразований молочной железы, обогащенный клинической информацией: №2023624807: заявл. 14.12.2023: опубл. 21.12.2023 / Васильев Ю. А., Владзимирский А. В., Омелянская О. В. [и др.]; заявитель государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы»; свидетельство о государственной регистрации базы данных №2023624126 Российская Федерация. MosMedData: расширенный набор компьютерных томограмм головного мозга с наличием и отсутствием признаков внутричерепного кровоизлияния (дополненный клиническими и техническими параметрами): №2023623983: заявл. 16.11.2023: опубл. 23.11.2023 / Хоружая А. Н., Кремнева Е. И., Козлов Д. В. [и др.].
90
Свидетельство о государственной регистрации программы для ЭВМ №2025610804 Российская Федерация. Платформа подготовки наборов данных: №2024691653: заявл. 20.12.2024: опубл. 14.01.2025 / Васильев Ю. А., Владзимирский А. В., Омелянская О. В. [и др.]; заявитель государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы».
91
Борисов А. А., Арзамасов К. М., Семенов С. С. [и др.]. Исследование возможностей алгоритмов автоматизированного контроля качества DICOM-метаданных рентгенографических исследований органов грудной клетки // Медицинская визуализация. 2024. Т. 28, №2. С. 134—144. https://doi.org/10.24835/1607-0763-1346; Борисов А. А. Васильев Ю. А., Арзамасов К. М. Влияние нарушений качества рентгенографических исследований органов грудной клетки на работу врачей-рентгенологов и диагностического искусственного интеллекта // Менеджер здравоохранения. 2024. №7. С. 50—60. URL: https://doi.org/10.21045/1811-0185-2024-7-50-60; Петряйкин А. В., Васильев Ю. А., Артюкова З. Р. [и др.]. Анализ программных методов подавления артефактов от металла при компьютерной томографии: экспериментальное исследование // Исследования и практика в медицине. 2024. Т. 11, №4. С. 73—87. https://doi.org/10.17709/2410-1893-2024-11-4-6.
92
Свидетельство о государственной регистрации программы для ЭВМ №2023619686 Российская Федерация. Веб-инструмент для контроля качества датасетов: №2023617136: заявл. 13.04.2023: опубл. 15.05.2023 / Васильев Ю. А., Владзимирский А. В., Омелянская О. В. [и др.]; заявитель государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы».
93
Свидетельство о государственной регистрации базы данных №2024622612 Российская Федерация. MosMedData: РГ органов грудной клетки с признаками артефактов и дефектов укладки: №2024621401: заявл. 11.04.2024: опубл. 17.06.2024 / Васильев Ю. А., Арзамасов К. М., Борисов А. А. [и др.]; заявитель государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы».
94
Указ Президента Российской Федерации от 10.10.2019 №490 (ред. от 15.02.2024) «О развитии искусственного интеллекта в Российской Федерации» (вместе с «Национальной стратегией развития искусственного интеллекта на период до 2030 года»).
95
Kim K., Cho K., Jang R., et al. Updated Primer on Generative Artificial Intelligence and Large Language Models in Medical Imaging for Medical Professionals // Korean Journal of Radiology. 2024. Vol. 25, №3. Р. 224—242. https://doi.org/10.3348/kjr.2023.0818; Как работает вариационный автоэнкодер (VAE) // NeuroHive. URL: https://neurohive.io/ru/osnovy-data-science/variacionnyj-avtojenkoder-vae (дата обращения: 27.08.2024); Gao Y., Song Y., Yin X., et al. Deep learning-based digital subtraction angiography image generation // Int J CARS. 2019. Vol. 14. Р. 1775—1784. https://doi.org/10.1007/s11548-019-02040-x; Boulanger М., Nunes J.-C., Chourak H., et al. Deep learning methods to generate synthetic CT from MRI in radiotherapy: A literature review // Physica Medica. 2021. Vol. 89. P. 265—281. https://doi.org/10.1016/j.ejmp.2021.07.027; Dayarathna S., Islam Kh. T., Uribe S., et al. Deep learning based synthesis of MRI, CT and PET: Review and analysis // Medical Image Analysis. 2024. Vol. 92. Р. 103046. https://doi.org/10.1016/j.media.2023.103046; Fu J., Singhrao K., Cao M., Yu V., et al. Generation of abdominal synthetic CTs from 0.35t MR images using generative adversarial networks for MR-only liver radiotherapy, Biomed // Phys. Eng. Express. 2020. Vol. 6. Article 015033. https://doi.org/10.1088/2057-1976/ab6e1f; Klages P., Benslimane I., Riyahi S., et al. Patch-based generative adversarial neural network models for head and neck MR-only planning // Med. Phys. 2019. Vol. 47. Р. 626—642. https://doi.org/10.1002/mp.13927; Morbée L., Vereecke E., Laloo F., et al. Common incidental findings on sacroiliac joint MRI: added value of MRI-based synthetic CT // European Journal of Radiology. 2023. Vol. 158. Р. 110651; Zhao J. et al. Tripartite-GAN: Synthesizing liver contrast-enhanced MRI to improve tumor detection // Medical image analysis. 2020. Vol. 63. Р. 101667; Pan Y., Li D., Kassam Z., et al. Synthesizing missing PET from MRI with cycle-consistent generative adversarial networks for Alzheimer’s disease diagnosis // Medical Image Computing and Computer Assisted Intervention—MICCAI 2018: 21st International Conference. Granada, Spain. September 16—20, 2018. Proceedings, Part III 11. Springer International Publishing, 2018. Р. 455—463; Kang E., Koo H. J., Yang D. H., et al. Cycle‐consistent adversarial denoising network for multiphase coronary CT angiography // Medical physics. 2019. Vol. 46, №. 2. Р. 550—562.
96
Коденко М. Р. Разработка метода и средств синтеза бесконтрастных КТ-изображений брюшного отдела аорты за счет подавления контрастного усиления в данных КТ-ангиографии: дис. … канд. техн. наук: 2.2.12/Коденко Мария Романовна. М., 2024. 149 с.
97
ГОСТ Р 59921.5—2022. Системы искусственного интеллекта в клинической медицине. Часть 5. Требования к структуре и порядку применения набора данных для обучения и тестирования алгоритмов. М.: Российский институт стандартизации, 2022. 24 с.
98
Там же.
99
Там же.
100
Там же.
101
Chetverikov S. F., Arzamasov K. M., Andreichenko A. E., et al. Approaches to sampling for quality control of artificial intelligence in biomedical research // Sovremennye tehnologii v medicine. 2023. Vol. 15, №2. Р. 19.https://doi.org/10.17691/stm2023.15.2.02.
102
Там же.
103
Chetverikov S. F., Arzamasov K. M., Andreichenko A. E., et al. Approaches to sampling for quality control of artificial intelligence in biomedical research // Sovremennye tehnologii v medicine. 2023. Vol. 15, №2. Р. 19, https://doi. org/10.17691/stm2023.15.2.02.
104
Бобровская Т. М., Васильев Ю. А., Никитин Н. Ю. [и др.]. Объем выборки для оценки диагностической точности программного обеспечения на основе технологий искусственного интеллекта в лучевой диагностике // Сибирский журнал клинической и экспериментальной медицины. 2024. Т. 39, №3. Р. 188—198. https://doi.org/10.29001/2073-8552-2024-39-3-188-198.
105
Там же.
106
Метод исследования распределения статистик вероятностных распределений, основанный на многократной генерации выборок методом Монте-Карло на базе имеющейся выборки.
107
Chetverikov S. F., Arzamasov K. M., Andreichenko A. E., et al. Approaches to sampling for quality control of artificial intelligence in biomedical research // Sovremennye tehnologii v medicine. 2023. Vol. 15, №2. Р. 19. https://doi. org/10.17691/stm2023.15.2.02.
108
Бобровская Т. М., Васильев Ю. А., Никитин Н. Ю. [и др.]. Объем выборки для оценки диагностической точности программного обеспечения на основе технологий искусственного интеллекта в лучевой диагностике // Сибирский журнал клинической и экспериментальной медицины. 2024. Т. 39, №3. С. 188—198. https://doi.org/10.29001/2073-8552-2024-39-3-188-198.
109
Коденко М. Р., Бобровская Т. М., Решетников Р. В. [и др.]. Эмпирический метод расчета размера выборки для тестирования алгоритмов искусственного интеллекта // Доклады Российской академии наук. Математика, информатика, процессы управления. 2024. Т. 520, № S2. С. 71—84. https://doi.org/10.31857/S2686954324700395.