Исследование: российский ИИ выявляет дефекты рентгенограмм грудной клетки за 14 секунд

04.08.2026

Исследование: российский ИИ выявляет дефекты рентгенограмм грудной клетки за 14 секунд

Низкое качество рентгенографических изображений может затруднять постановку диагноза и приводить к повторным исследованиям, увеличивая лучевую нагрузку на пациентов. Обычно качество снимков оценивают вручную рентгенолаборанты и врачи-рентгенологи, однако при дистанционном описании исследований оперативно устранить выявленные дефекты удается не всегда.

Разработанный исследователями инструмент представляет собой ансамбль нейронных сетей, который анализирует рентгенограммы в формате DICOM (международный стандарт хранения и передачи медицинских изображений). Алгоритм проверяет полноту визуализации легких и реберно-диафрагмальных синусов, выявляет ротацию грудной клетки, ошибки ориентации изображения, а также некорректное заполнение метаданных исследования.

Инструмент интегрировали в рабочий процесс Московского референс-центра лучевой диагностики. В исследование вошли данные трех московских поликлиник, где рентгенографию выполняли на семи аппаратах. Всего система обработала 4 870 обследований, включавших 9 642 изображения. Для оценки эффективности 10 врачей-рентгенологов независимо пересмотрели 8 042 снимка, не зная результатов автоматического анализа.

Эксперты выявили различные дефекты на 3 386 изображениях, или 42,1% выборки. Неполная визуализация легких и легочных синусов встречалась на 14,2% снимков в прямой проекции и на 23,9% – в боковой, а чрезмерная ротация грудной клетки – на 45,6% боковых рентгенограмм.

Наиболее высокий показатель эффективности алгоритм продемонстрировал при определении неправильной ориентации изображения – 100%. При выявлении неполной визуализации легких в прямой проекции он составил 94,7%, в боковой – 85,2%. Наиболее сложной задачей оказалось распознавание ротации грудной клетки, где показатель достиг 78,2%.

При проверке метаданных алгоритм без ошибок определял анатомическую область и фотометрическую интерпретацию снимков, а показатель эффективности распознавания проекции достиг 98,5%.

Одновременно исследование выявило распространенные проблемы с заполнением DICOM-тегов. Информация об ориентации пациента была корректно указана лишь в 13,6% исследований, тогда как более чем в 80% случаев соответствующее поле оставалось пустым. Кроме того, на одном из диагностических аппаратов исследователи обнаружили систематическую ошибку настройки, из-за которой в метаданных автоматически записывалось некорректное значение.

По мнению авторов, автоматизированный контроль качества позволит быстрее выявлять ошибки выполнения рентгенографии, снизить нагрузку на врачей-рентгенологов и повысить качество исследований, поступающих на анализ как специалистам, так и медицинским ИИ-сервисам.

Вместе с тем исследователи подчеркивают, что пилотный проект проводился только в трех медицинских организациях Москвы, а около 17% выполненных исследований не вошли в итоговый анализ, поэтому полученные результаты требуют дальнейшей проверки на более широкой выборке медицинских учреждений.

В 2025 году международная группа исследователей показала, что даже небольшие дефекты медицинских изображений – шум, размытие, неправильная ориентация или неполная визуализация – заметно снижают качество работы диагностических ИИ-систем. На рентгенограммах грудной клетки точность некоторых моделей при выраженных искажениях уменьшалась почти на 30%, при этом алгоритмы редко распознавали, что снимок непригоден для анализа. Тогда авторы пришли к выводу, что автоматическая проверка качества изображений должна стать обязательным этапом перед их анализом искусственным интеллектом.