Студент Института искусственного интеллекта РТУ МИРЭА Максим Федоров разработал систему, которая генерирует реалистичные рентгеновские снимки и использует их для обучения нейросетей распознаванию редких заболеваний. О проекте сообщили представители вуза, передаёт cnews.ru. Разработка ведётся в рамках совместной программы РТУ МИРЭА и компании «Платформа Третье Мнение», запущенной в 2023 году; сегодня по профильным направлениям медицинского ИИ обучаются более 600 студентов.
Как устроена технология
Новое изображение формируется на основе текстового описания, в котором исследователь задаёт нужные рентгенологические признаки — затемнение в лёгких, плевральный выпот и другие. Сгенерированный снимок проходит дополнительную проверку через модуль, оценивающий согласованность анатомических структур: он отбраковывает изображения с неестественным расположением рёбер или внутренних органов. По итогам тестирования 94,5% сгенерированных снимков признаны клинически корректными, а на создание одного изображения уходит около 15 миллисекунд.
Система сумела воспроизвести редкие сочетания признаков, отсутствовавшие в обучающей выборке: послеоперационные изменения, последствия травм и комбинации нескольких патологий на одном снимке. Научный руководитель проекта, профессор РТУ МИРЭА Андрей Горшенин отмечает, что разработка закрывает одну из ключевых проблем медицинского ИИ — нехватку данных для обучения алгоритмов под редкие диагнозы.
Почему это важно для отрасли
Дефицит размеченных клинических данных остаётся главным ограничителем для внедрения ИИ в лучевой диагностике: по редким нозологиям собрать достаточный объём реальных снимков физически невозможно. Синтетические данные, прошедшие верификацию по анатомическим критериям, дают разработчикам способ обходить это узкое место без нарушения врачебной тайны и без длительных процедур деперсонализации.
В контрольном эксперименте нейросеть, дообученная на синтетических изображениях, точнее выявляла редкие заболевания, чем модель, обученная только на реальных данных. Метрика ROC AUC выросла с 0,67 до 0,76 — примерно на 9%. Для российского рынка медицинского ИИ это сигнал, что генеративные подходы перестают быть лабораторной экзотикой и становятся прикладным инструментом для команд, развивающих сервисы поддержки принятия врачебных решений.
- 94,5% сгенерированных снимков соответствуют клиническим требованиям
- 15 миллисекунд — время создания одного изображения
- Рост ROC AUC с 0,67 до 0,76 при дообучении на синтетике