Искусственный интеллект в выявлении туберкулеза: возможности и перспективы
- Авторы: Бородулина Е.А1
-
Учреждения:
- Самарский государственный медицинский университет
- Выпуск: Том 31, № 5 (2020)
- Страницы: 30-33
- Раздел: Статьи
- URL: https://journals.eco-vector.com/0236-3054/article/view/114237
- DOI: https://doi.org/10.29296/25877305-2020-06
- ID: 114237
Цитировать
Полный текст
Открытый доступ
Доступ предоставлен
Доступ платный или только для подписчиков
Доступ предоставлен
Доступ платный или только для подписчиков
Аннотация
В период глобальной цифровизации медицины одним из перспективных направлений является организация скрининговых обследований населения, прежде всего на социально-значимые заболевания с привлечением искусственного интеллекта (ИИ). В нашей стране это ежегодные флюорографические обследования на туберкулез. Переход на цифровую флюорографию уже предопределил положительные тенденции в системном подходе к своевременному выявлению туберкулеза. Перспективность дальнейшего совершенствования скрининговых обследований на туберкулез определяется прежде всего необходимостью системного подхода к рутинно повторяющимся исследованиям, что предполагает использование ИИ для распознавания патологии, отбора и формирования групп для дальнейшего обследования у врача-специалиста. Возможно ли это в ближайшем будущем и как идет создание ИИ, обсуждается в данном обзоре.
Ключевые слова
Полный текст
Об авторах
Е. А Бородулина
Самарский государственный медицинский университет
Email: borodulinbe@yandex.ru
доктор медицинских наук, профессор
Список литературы
- Мирошниченко С.И., Коваленко Ю.Н., Чернецов В.Б. Замена флюорографии на скрининговую цифровую рентгенографию. Поликлиника. 2016; 6: 19-22
- Старшинова А.А., Кудлай Д.А., Довгалюк И.Ф. и др. Эффективность применения новых методов иммунодиагностики туберкулезной инфекции в Российской Федерации. Педиатрия. 2019; 98 (4): 229-35
- Слогоцкая Л.В., Синицын М.В., Кудлай Д.А. Возможности иммунологических тестов в диагностике латентной туберкулезной инфекции и туберкулеза. Туберкулез и болезни легких. 2019; 97 (11): 46-58
- Каканов О.Г. Особенности флюорографического выявления туберкулеза легких. Бюллетень медицинских интернет-конференций. 2018; 8 (4): 159
- Зубова Н.А. Эффективность массовых профилактических осмотров в субъектах российской федерации с низким уровнем заболеваемости туберкулезом. Социальные аспекты здоровья населения. 2016; 4 (50): 8
- Бехтерев А.В., Лабусов В.А., Путьмаков А.Н. и др. О флюорографии, цифровой рентгенографии, скрининге и эффективности. Поликлиника. 2019; 1-1: 17-20
- Xu Sh., Jahn W., Müller J.-D. CAD-based shape optimisation with CFD using a discrete adjoint. Numerical Methods in Fluids. 2014; 74 (3): 153-68. doi: 10.1002/fld.3844
- Khan F.A., Pande T., Song R. et al. Computer-aided reading of tuberculosis chest radiography: moving the research agenda forward to inform policy. Eur. Respir. J. 2017; 50: 1700953; doi: 10.1183/13993003.00953-2017
- Jaeger S., Karargyris A., Antani S. et al. Detecting tuberculosis in radiographs using combined lung masks. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Conference Proceedings. 2012; 2012: 4978-81. doi: 10.1109/EMBC.2012.6347110
- Vajda S., Karargyris A., Jaeger S. et al. Feature Selection for Automatic Tuberculosis Screening in Frontal Chest Radiographs. J. Med. Syst. 2018; 42 (8): 146. doi: 10.1007/s10916-018-0991-9
- Pande T., Cohen C., Pai M. et al. Computer-aided detection of pulmonary tuberculosis on digital chest radiographs: a systematic review. Int. J. Tuberc. Lung. Dis. 2016; 20 (9): 1226-30. doi: 10.5588/ijtld.15.0926
- Rahman M., Codlin A., Rahman M. et al. An evaluation of automated chest radiography reading software for tuberculosis screening among public- and private-sector patients. Eur. Respir. J. 2017; 49 (5): 1602159. doi: 10.1183/13993003.02159-2016
- Zaidi S., Habib S., Van Ginneken B. et al. Evaluation of the diagnostic accuracy of Computer-Aided Detection of tuberculosis on Chest radiography among private sector patients in Pakistan. Sci. Rep. 2018; 8 (1): 12339. doi: 10.1038/s41598-018-30810-1
- Melendez J., Sanchez C., Philipsen R. et al. An automated tuberculosis screening strategy combining X-ray-based computer-aided detection and clinical information. Sci. Rep. 2016; 6: 25265. doi: 10.1038/srep25265
- Hwang S., Kim H.-E., Jeong J. et al. A novel approach for tuberculosis screening based on deep convolutional neural networks. Proc. SPIE 9785, Medical Imaging 2016: Computer-Aided Diagnosis, 97852W (24 March 2016); https://doi. org/10.1117/12.2216198
- Lakhani P., Sundaram B. Deep learning at chest radiography: automated classification of pulmonary tuberculosis by using convolutional neural networks. Radiology. 2017; 284 (2): 574-82. doi: 10.1148/radiol.2017162326.
- Jaeger S., Juarez-Espinosa O., Candemir S. et al. Detecting drug-resistant tuberculosis in chest radiographs. Int. J. Comput. Assist. Radiol. Surg. 2018; 13 (12): 1915-25. doi: 10.1007/s11548-018-1857-9