Искусственный интеллект в лучевой диагностике: Per Aspera Ad Astra - заметки

Указ Президента Российской Федерации от 10.10.2019 №490 «О развитии искусственного интеллекта в Российской Федерации».

Постановление Правительства Москвы от 21.11.2019 №1543-ПП «О проведении эксперимента по использованию инновационных технологий в области компьютерного зрения для анализа медицинских изображений и дальнейшего применения в системе здравоохранения города Москвы».

Там же.

Корсаков С. Н. Начертание нового способа исследования при помощи машин, сравнивающих идеи / пер. с франц.; под ред. А. С. Михайлова. М.: МИФИ, 2009. 44 c.

Владзимирский А. В. Институционализация научных исследований в области биотелеметрии в России/СССР: вторая половина XIX – ХХ вв.: дис. … д-ра истор. наук: 5.6.6 / Владзимирский Антон Вячеславович. М., 2023. 792 с.

Васильев Ю. А. Инновационные диагностические и организационные технологии в рентгенологии: дис. … д-ра мед. наук: 3.1.25; 3.3.9 / Васильев Юрий Александрович. М., 2024. 287 с.

Kim D. W., Jang H. Y., Kim K. W., et al. Design Characteristics of Studies Reporting the Performance of Artificial Intelligence Algorithms for Diagnostic Analysis of Medical Images: Results from Recently Published Papers // Korean J Radiol. 2019 Mar. Vol. 20, №3. Р. 405—410. https://doi.org/10.3348/kjr.2019.0025.

Nagendran M., Chen Y., Lovejoy C. A., al. Artificial intelligence versus clinicians: systematic review of design, reporting standards, and claims of deep learning studies // BMJ. 2020. №368. Р. m689. https://doi.org/10.1136/bmj.m689.

Boulding K. E. General systems theory – the skeleton of science // Management Science. 1956. №2 (3). Р. 197—208.

Владзимирский А. В. Центральный институт труда: становление научной работы и изыскания по биологической линии: (1920—1930-е гг.). М., 2024. 524 с.

Васильев Ю. А., Владзимирский А. В., Арзамасов К. М. [и др.]. Компьютерное зрение в лучевой диагностике: первый этап Московского эксперимента: монография. М.: Издательские решения, 2022. 388 с.

Постановление Правительства Москвы от 24.04.2024 №869-ПП «О проведении эксперимента по автоматизированной интерпретации данных рентгенологических исследований на основе технологий искусственного интеллекта».

Дорожкин А. М. Проблемы построения и типологии зон обмена // Эпистемология и философия науки. 2017. Т. 54, №4. С. 20—29.

Батурин Ю. М. Междисциплинарность как Чеширский кот // Институт истории естествознания и техники им. С. И. Вавилова. Годичная научная конференция: сб. тр. Москва, 19—23 марта 2018 г. М.: Янус-К, 2018. С. 368—371.

Мирский Э. М. Междисциплинарные исследования и дисциплинарная организация науки. М.: Наука, 1980. С. 205.

Galison P. Image and Logic. A Material Culture of Microphysics. Chicago: The University of Chicago Press, 1997. 982 p.

Baird D., Cohen M.S. Why Trade? // Perspectives on Science. 1999. №7 (2). Р. 231—254.

Berger G. Opinions and facts / In: Interdisciplinarity. Problems of Teaching and Research in Universities. Paris: OCED, 1972. P. 23—75.

Корнев Г. П. Зона обмена: понимание и конструирование наукой и философией // Эпистемология и философия науки. 2018. Т. 54, №4. С. 34—38.

Tadavarthi Y., Vey B., Krupinski E., et al. The State of Radiology AI: Considerations for Purchase Decisions and Current Market Offerings // Radiology: Artificial Intelligence. 2020. Т. 2, №. 6. Р. e200004.

Свидетельство о государственной регистрации программы для ЭВМ №2020660360. Дашборд для мониторинга работы сервисов, основанных на использовании искусственного интеллекта, в здравоохранении. Заявка №2020619516. Дата поступления: 25 августа 2020 г. Дата госрегистрации: 02.09.2020.

Злокачественные новообразования в России в 2020 году (заболеваемость и смертность) / под ред. А. Д. Каприна, В. В. Старинского, А. О. Шахзадовой. М.: МНИОИ им. П. А. Герцена – филиал ФГБУ «НМИЦ радиологии» Минздрава России, 2021. 252 с.

В соответствии с приказом Департамента здравоохранения города Москвы от 15.05.2020 №522 «О внесении изменений в приказ Департамента здравоохранения города Москвы от 19 февраля 2020 г. №142».

Васильев Ю. А., Владзимирский А. В., Арзамасов К. М. [и др.]. Указ. раб.

Циолковский К. Э. Гений среди людей. Калуга: Гос. музей истории космонавтики им. К. Э. Циолковского; Обнинск: Эндемик, 2002. 135 с.

Посещение Центра диагностики и телемедицинских технологий. 2024. 14 февраля // Президент России: официальный сайт. URL: http://special.kremlin.ru/catalog/keywords/47/events/73453 (дата обращения: 11.03.2025).

Указ Президента Российской Федерации от 10.10.2019 №490 «О развитии искусственного интеллекта в Российской Федерации».

Указ Президента Российской Федерации от 10.10.2019 №490 «О развитии искусственного интеллекта в Российской Федерации».

Васильев Ю. А., Владзимирский А. В., Арзамасов К. М. [и др.]. Компьютерное зрение в лучевой диагностике: первый этап Московского эксперимента: монография. М.: Издательские решения, 2022. 388 с.

Там же.

Базовые рекомендации к работе сервисов искусственного интеллекта для лучевой диагностики: методические рекомендации / сост. С. П. Морозов, Л. Р. Абуладзе, А. Е. Андрейченко [и др.] // Серия «Лучшие практики лучевой и инструментальной диагностики». Вып. 119. М.: ГБУЗ НПКЦ ДиТ ДЗМ, 2022. 68 с.

Васильев Ю. А., Владзимирский А. В., Арзамасов К. М. [и др.]. Компьютерное зрение в лучевой диагностике: первый этап Московского эксперимента: монография. М.: Издательские решения, 2022. 388 с.

Там же.

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»).

Там же.

В профессиональной среде широко используется синоним термина «набор данных» – жаргонизм «датасет» от англ. dataset.

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»).

Кульберг Н. С., Гусев М. А., Решетников Р. В. [и др.]. Методология и инструментарий создания обучающих выборок для систем искусственного интеллекта по распознаванию рака легкого на КТ-изображениях // Здравоохранение Российской Федерации. 2020. Т. 64, №6. С. 343—350; Morozov S. P., Gombolevskiy V. A., Elizarov A. B., et al. A simplified cluster model and a tool adapted for collaborative labeling of lung cancer CT scans // Comput Methods Programs Biomed. 2021 Jul. Vol. 206. Р. 106111. DOI: 10.1016/j.cmpb.2021.106111.

Павлов Н. А., Андрейченко А. Е., Владзимирский А. В. [и др.]. Эталонные медицинские датасеты (MosMedData) для независимой внешней оценки алгоритмов на основе искусственного интеллекта в диагностике // Digital Diagnostics. 2021. Т. 2, №1. С. 49—66.

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 / Ю. А. Васильев, А. В. Владзимирский, О. В. Омелянская [и др.]; заявитель государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы».

Васильев Ю. А., Арзамасов К. М., Владзимирский А. В. [и др.]. Подготовка набора данных для обучения и тестирования программного обеспечения на основе технологии искусственного интеллекта: учебное пособие. [б. м.]: Издательские решения, 2024. 140 с.

Васильев Ю. А., Бобровская Т. М., Арзамасов К. М. [и др.]. Основополагающие принципы стандартизации и систематизации информации о наборах данных для машинного обучения в медицинской диагностике // Менеджер здравоохранения. 2023. №4. С. 28—41.

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 / Ю. А. Васильев, А. В. Владзимирский, О. В. Омелянская [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 программы для ЭВМ №2022617324 Российская Федерация. Веб-инструмент для выполнения ROC-анализа результатов диагностических тестов: №2022616046: заявл. 05.04.2022: опубл. 19.04.2022 / С. П. Морозов, А. Е. Андрейченко, С. Ф. Четвериков [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 программы для ЭВМ №2023665713 Российская Федерация. Веб-платформа технологического и клинического мониторинга результатов работы алгоритмов анализа цифровых медицинских изображений: №2023664691: заявл. 11.07.2023: опубл. 19.07.2023 / Ю. А. Васильев, А. В. Владзимирский, О. В. Омелянская [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 программы для ЭВМ №2020664321 Российская Федерация. MedLabel – автоматизированный анализ медицинских протоколов: №2020663035: заявл. 27.10.2020: опубл. 11.11.2020 / С. П. Морозов, А. Е. Андрейченко, Ю. С. Кирпичев [и др.]; заявитель государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы» (ГБУЗ «НПКЦ ДиТ ДЗМ»); свидетельство о государственной регистрации программы для ЭВМ №2024680469 Российская Федерация. Программный модуль загрузки, отбора и деидентификации исследований в формате DICOM, хранящихся в единой радиологической информационной системе г. Москвы: №2024667717: заявл. 31.07.2024: опубл. 29.08.2024 / Ю. А. Васильев, К. М. Арзамасов, О. В. Омелянская [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 программы для ЭВМ №2020661146 Российская Федерация. Программа для разметки маммографических и рентгенологических исследований FAnTom X-ray: №2020660189: заявл. 08.09.2020: опубл. 18.09.2020 / С. П. Морозов, Н. С. Кульберг, А. Б. Елизаров [и др.]; заявитель государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы» (ГБУЗ «НПКЦ ДиТ ДЗМ»); свидетельство о государственной регистрации программы для ЭВМ №2020663854 Российская Федерация. Программа для разметки и аннотации снимков компьютерной томографии легких FAnTom СТ: №2020663078: заявл. 27.10.2020: опубл. 03.11.2020 / С. П. Морозов, Н. С. Кульберг, А. Б. Елизаров [и др.]; заявитель государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы» (ГБУЗ «НПКЦ ДиТ ДЗМ»); свидетельство о государственной регистрации программы для ЭВМ №2025610804 Российская Федерация. Платформа подготовки наборов данных: №2024691653: заявл. 20.12.2024: опубл. 14.01.2025 / Ю. А. Васильев, А. В. Владзимирский, О. В. Омелянская [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 №2020622444 Российская Федерация. MosMedData: результаты исследований компьютерной томографии органов грудной клетки с признаками COVID-19: №2020622309: заявл. 18.11.2020: опубл. 27.11.2020 / С. П. Морозов, И. А. Блохин, А. П. Гончар [и др.]; заявитель государственное бюджетное учреждение здравоохранения города Москвы «Научно- практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы» (ГБУЗ «НПКЦ ДиТ ДЗМ»).

Yousefzadeh M., Esfahanian P., Movahed S. M. S., et al. ai-corona: Radiologist-assistant deep learning framework for COVID-19 diagnosis in chest CT scans // PLoS One. 2021 May 7. Vol. 16, №5. Р. e0250952. DOI: 10.1371/journal. pone.0250952; Peng Y., Zhang T., Guo Y. Cov-TransNet: Dual branch fusion network with transformer for COVID-19 infection segmentation // Biomed Signal Process Control. 2023 Feb. Vol. 80. Р. 104366. DOI: 10.1016/j.bspc.2022.104366; Nguyen D., Kay F., Tan J., et al. Deep Learning-Based COVID-19 Pneumonia Classification Using Chest CT Images: Model Generalizability // Front Artif Intell. 2021 Jun 29. Vol. 4. Р. 694875. DOI: 10.3389/frai.2021.694875; Ibrahim M. R., Youssef S. M., Fathalla K. M. Abnormality detection and intelligent severity assessment of human chest computed tomography scans using deep learning: a case study on SARS-COV-2 assessment // J Ambient Intell Humaniz Comput. 2023. Vol. 14, №5. Р. 5665—5688. DOI: 10.1007/s12652-021-03282-x; Ali A. S. A., Yavuz M. C., Şen M. U., et al. Comparison and ensemble of 2D and 3D approaches for COVID-19 detection in CT images // Neurocomputing (Amst). 2022 Jun 1. Vol. 488. Р. 457‒469. DOI: 10.1016/j.neucom.2022.02.018; Karthik R., Menaka R. M. H., Won D. Contour-enhanced attention CNN for CT-based COVID-19 segmentation // Pattern Recognit. 2022 May. Vol. 125. Р. 108538. DOI: 10.1016/j.patcog.2022.108538; Jin C., Chen W., Cao Y., et al. Development and evaluation of an artificial intelligence system for COVID-19 diagnosis // Nat Commun. 2020 Oct 9. Vol. 11, №1. Р. 5088. DOI: 10.1038/s41467-020-18685-1; Saha M., Amin S. B., Sharma A., et al. AI-driven quantification of ground glass opacities in lungs of COVID-19 patients using 3D computed tomography imaging // PLoS One. 2022 Mar 14. Vol. 17, №3. Р. e0263916. DOI: 10.1371/journal. pone.0263916; Sushentsev N., Bura V., Kotnik M., et al. A head-to-head comparison of the intra- and interobserver agreement of COVID-RADS and CO-RADS grading systems in a population with high estimated prevalence of COVID-19 // BJR Open. 2020 Dec 11. Vol. 2, №1. Р. 20200053. DOI: 10.1259/bjro.20200053; Ahuja S., Panigrahi B. K., Dey N., et al. McS-Net: Multi-class Siamese network for severity of COVID-19 infection classification from lung CT scan slices // Appl Soft Comput. 2022 Dec. Vol. 131. Р. 109683. DOI: 10.1016/j.asoc.2022.109683; Momeni Pour Z., Beheshti Shirazi A. A. Identifying COVID-19-Infected Segments in Lung CT Scan Through Two Innovative Artificial Intelligence-Based Transformer Models // Arch Acad Emerg Med. 2024 Dec 16. Vol. 13, №1. Р. e21. DOI: 10.22037/aaemj. v13i1.2515.

Ranschaert E.R., Morozov S. P., Paul R. Artificial Intelligence in Medical Imaging. Opportunities, Applications and Risks. Springer Nature Switzerland AG, 2019. 369 р.; 705; Kohli M. D., Summers R.M., Geis J. Medical Image Data and Datasets in the Era of Machine Learning – Whitepaper from the 2016 C-MIMI Meeting Dataset Session / Journal of Digital Imaging. 2017; 30:392—399.

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.

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.

Васильев Ю. А., Владзимирский А. В., Арзамасов К. М. [и др.]. Компьютерное зрение в лучевой диагностике: первый этап Московского эксперимента: монография. М.: Издательские решения, 2022. 388 с.

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 / Ю. А. Васильев, А. В. Владзимирский, О. В. Омелянская [и др.]; заявитель государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы».

Федеральный справочник инструментальных диагностических исследований. URL: https://nsi.rosminzdrav.ru/dictionaries/1.2.643.5.1.13.13.11.1471/passport/2.34 (дата обращения: 01.12.2024).

RadLex Term Browser. URL: http://radlex.org (дата обращения: 01.12.2024).

Logical Observation Identifiers Names and Codes. URL: https://loinc.org (дата обращения: 01.12.2024).

Cabitza F., Campagner A. The need to separate the wheat from the chaff in medical informatics: Introducing a comprehensive checklist for the (self)-assessment of medical AI studies // Int J Med Inform. Elsevier, 2021. Vol. 153. P. 104510; Gebru T., Morgenstern J., Vecchione B., et al. Datasheets for Datasets. Documentation to facilitate communication between dataset creators and consumers // Commun ACM. 2021. Vol. 64, №12. P. 86—92. https://doi.org/10.1145/3458723.

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».

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.

Там же.

Там же.

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.

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.

Там же.

Там же.

Там же.

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.

Свидетельство о государственной регистрации программы для ЭВМ №2020664321 Российская Федерация. MedLabel – автоматизированный анализ медицинских протоколов: №2020663035: заявл. 27.10.2020: опубл. 11.11.2020 / С. П. Морозов, А. Е. Андрейченко, Ю. С. Кирпичев [и др.]; заявитель государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы» (ГБУЗ «НПКЦ ДиТ ДЗМ»).

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.

ГОСТ Р 71674—2024. Системы искусственного интеллекта в клинической медицине. Набор данных в формате DICOM для тестирования алгоритмов. Методы обезличивания набора данных и контроля набора данных на отсутствие персональных данных. М.: Российский институт стандартизации, 2024. 14 с.

ГОСТ Р 71674—2024. Системы искусственного интеллекта в клинической медицине. Набор данных в формате DICOM для тестирования алгоритмов. Методы обезличивания набора данных и контроля набора данных на отсутствие персональных данных. М.: Российский институт стандартизации, 2024. 14 с.

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.

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.

Там же.

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.

Там же.

Свидетельство о государственной регистрации программы для ЭВМ №2023617333 Российская Федерация. Модуль контроля качества результатов диагностических исследований по РГ ОГК: №2023615822: заявл. 28.03.2023: опубл. 07.04.2023 / 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».

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»).

Wilkinson M. D., Dumontier M., Aalbersberg I. J. J., et al. The FAIR Guiding Principles for scientific data management and stewardship // Scientific Data 2016 3:1. Nature Publishing Group, 2016. Vol. 3, №1. P. 1—9.

Морозов С. П., Андрейченко А. Е., Блохин И. А. [и др.]. MosMedData: датасет 1110 компьютерных томографий органов грудной клетки, выполненных во время эпидемии COVID-19 // Digital Diagnostics. 2020. Т. 1, №1. С. 49—59.

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. Москва: Российский институт стандартизации, 2022. 24 с.

Васильев Ю. А., Владзимирский А. В., Арзамасов К. М. [и др.]. Компьютерное зрение в лучевой диагностике: первый этап Московского эксперимента: монография М.: Издательские решения, 2022. 388 с.

Васильев Ю. А., Савкина Е. Ф., Владзимирский А. В. [и др.]. Обзор современных средств разметки цифровых диагностических изображений // Казанский медицинский журнал. 2023. Т. 104, №5. С. 750‒760.

Васильев Ю. А., Савкина Е. Ф., Владзимирский А. В. [и др.]. Указ. раб. С. 750‒760.

3D Slicer image computing platform. In: 3D Slicer image computing platform. URL: https://www.slicer.org/ (дата обращения: 15.02.2025).

ITKSNAP. URL: http://www.itksnap.org/pmwiki/pmwiki.php (access date: 15.02.2025).

The Medical Imaging Interaction Toolkit. URL: https:// github.com/MITK (дата обращения: 28.02.2025).

MedSeg – free medical segmentation online. URL: https://www.medseg.ai (дата обращения: 16.02.2025).

Computer vision annotation tool. URL: https://www.cvat. ai (дата обращения: 16.02.2025).

Unified OS/Platform for computer vision. URL: https://supervise.ly (дата обращения: 16.02.2025).

РИД MosMedData МРТ малого таза с морфометрическими показателями предстательной железы №2025620045 от 09.01.2025.

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.].

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».

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.

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».

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».

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»).

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.

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.

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.

Там же.

Там же.

Там же.

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.

Там же.

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.

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.

Там же.

Метод исследования распределения статистик вероятностных распределений, основанный на многократной генерации выборок методом Монте-Карло на базе имеющейся выборки.

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.

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.

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.