«Радиомика и ИИ в лучевой диагностике»
👥 Целевая аудитория: врачи-рентгенологи, врачи-онкологи, медицинские физики, IT-специалисты в здравоохранении и координаторы цифровых проектов.
📅 Формат и длительность: модульный курс с акцентом на практическое применение алгоритмов, разбор клинических кейсов и интеграцию в цифровую среду (24 академических часа).
🧠 Модуль 1: Фундаментальные основы радиомики и машинного обучения
В этом блоке мы формируем единое понятийное поле, необходимое для понимания того, как изображения превращаются в извлекаемые данные.
Понятие радиомики: определение, этапы процесса (получение изображения, сегментация, извлечение признаков, построение модели) и отличие от традиционной визуальной оценки.
Классы радиомических признаков: анализ признаков первого порядка (гистограмма интенсивности), признаков формы и текстурных признаков второго порядка (матрицы совместной встречаемости).
Основы ИИ в медицине: краткий обзор различий между традиционным машинным обучением и глубоким обучением (нейросетями), понятие обучения с учителем и без учителя.
«Радиомика позволяет выявить невидимые человеческому глазу паттерны в медицинских изображениях, превращая стандартные КТ или МРТ в источник биомаркеров для прогнозирования течения заболевания.»
🎯 Модуль 2: Клиническое применение в онкологии
Фокус на реальных сценариях использования, где ИИ и радиомика уже демонстрируют доказанную эффективность.
Дифференциальная диагностика: использование алгоритмов для различения доброкачественных и злокачественных образований (например, в легких, молочной железе или предстательной железе).
Предикция ответа на лечение: ранняя оценка эффективности неоадъювантной химиотерапии или иммунотерапии на основе изменений радиомических признаков до начала или в процессе лечения.
Прогнозирование выживаемости и генотипирования: неинвазивное определение молекулярного статуса опухоли (например, мутаций EGFR или статуса MSI) исключительно по данным визуализации (радиогеномика).
🗺️ Модуль 3: Интеграция в клинический маршрут и экосистему OnkoClub
Связь технологических возможностей с реальной практикой и цифровыми инструментами сообщества.
Рабочий процесс (Workflow): как алгоритмы ИИ встраиваются в системы PACS, ускоряют рутинные задачи (автосегментация, приоритизация срочных исследований) и снижают нагрузку на врача.
Цифровые модули OnkoClub: использование платформы для агрегации радиомических данных, визуализации прогнозов ИИ в единой электронной карте пациента и формирования алертов о подозрительных изменениях в динамике.
Междисциплинарное взаимодействие: роль радиолога как куратора данных ИИ на мультидисциплинарных консилиумах (Tumor Board).
🛡️ Модуль 4: Этические аспекты, валидация и правовое регулирование
Детальный разбор ограничений технологии и требований к ее безопасному внедрению.
Проблема «черного ящика»: важность объяснимого ИИ (XAI) и необходимость понимания врачом логики, по которой алгоритм принял решение.
Валидация и смещения (bias): риски использования моделей, обученных на нерепрезентативных выборках, и важность кросс-валидации на локальных данных.
Регуляторные требования: особенности регистрации медицинского программного обеспечения как изделия медицинского назначения (ИМН) в Российской Федерации и вопросы защиты персональных данных.
🛠️ Практический блок: Анализ клинических кейсов и работа с цифровыми инструментами
Интерактивная часть, где слушатели применяют полученные знания на реальных или анонимизированных данных.
Разбор кейсов: сравнение традиционного описания КТ/МРТ с результатами радиомического анализа и выводом алгоритма ИИ для одного и того же онкологического пациента.
Симуляция в OnkoClub: работа с интерфейсом экосистемы для оценки радиомического отчета, проверки корректности автосегментации и формирования итогового заключения для консилиума.
🎯 Ожидаемые результаты: успешное завершение курса позволит специалистам освоить следующие компетенции.
Понимать принципы работы радиомических алгоритмов и критически оценивать качество их выводов.
Эффективно применять инструменты ИИ для улучшения точности диагностики и прогнозирования ответа на терапию.
Грамотно интегрировать цифровые радиомические отчеты в клиническую практику с использованием инструментов экосистемы OnkoClub, соблюдая этические и правовые нормы.
📋 Оцениваемые компетенции:
Понимание базовых алгоритмов извлечения признаков из изображений.
Знание клинических сценариев применения ИИ в онкологии.
Умение критически оценивать валидность моделей и этико-правовые аспекты.
🧠 Вопрос 1: Что такое радиомика в контексте современной лучевой диагностики?
A) Раздел ядерной медицины, изучающий дозовые нагрузки на пациента
B) Метод извлечения большого количества количественных признаков из медицинских изображений для построения прогностических моделей
C) Технология получения изображений исключительно с помощью радиоактивных изотопов
D) Методика измерения плотности тканей при стандартной рентгенографии
Правильный ответ: B
🧠 Вопрос 2: Какой этап радиомического конвейера (workflow) предполагает выделение области интереса, например, контуров опухоли?
A) Нормализация
B) Сегментация
C) Кластеризация
D) Аннотация гистограммы
Правильный ответ: B
🧠 Вопрос 3: Что анализируют радиомические признаки первого порядка?
A) Пространственное расположение вокселей относительно друг друга
B) Статистическое распределение интенсивностей вокселей в виде гистограммы (например, асимметрия, эксцесс, энтропия)
C) Трехмерную форму опухоли и ее объем
D) Изменения изображения в динамике после контрастирования
Правильный ответ: B
🧠 Вопрос 4: К какому классу радиомических признаков относятся матрицы совместной встречаемости уровней серого (GLCM)?
A) Признаки первого порядка
B) Признаки формы
C) Текстурные признаки второго порядка
D) Признаки высших порядков
Правильный ответ: C
🧠 Вопрос 5: Что изучает радиогеномика?
A) Влияние радиации на структуру генома здоровых клеток
B) Связь между радиомическими признаками медицинских изображений и молекулярно-генетическими характеристиками опухоли
C) Методы лучевой терапии генетически модифицированных опухолей
D) Процесс секвенирования ДНК с помощью рентгеновского излучения
Правильный ответ: B
🧠 Вопрос 6: Какая архитектура нейронных сетей наиболее эффективно и часто используется для анализа и классификации медицинских изображений?
A) Рекуррентные нейронные сети (RNN)
B) Сверточные нейронные сети (CNN)
C) Генеративно-состязательные сети (GAN)
D) Трансформеры для обработки текста
Правильный ответ: B
🧠 Вопрос 7: Что такое «дельта-радиомика» (delta-radiomics)?
A) Анализ изображений только до начала лечения
B) Оценка изменений радиомических признаков в динамике на фоне проводимой противоопухолевой терапии
C) Использование исключительно МРТ-изображений
D) Метод снижения дозы облучения при КТ
Правильный ответ: B
🧠 Вопрос 8: В каком клиническом сценарии радиомика может помочь онкологу принять решение о продолжении или смене терапии?
A) Ранняя предикция ответа опухоли на иммунотерапию по данным базовой КТ
B) Определение группы крови пациента
C) Измерение артериального давления во время исследования
D) Оценка функции щитовидной железы
Правильный ответ: A
🧠 Вопрос 9: Какую рутинную задачу врача-рентгенолога наиболее эффективно автоматизируют современные алгоритмы ИИ?
A) Постановку окончательного клинического диагноза без участия врача
B) Автосегментацию органов и опухолей, а также приоритизацию срочных исследований в рабочем списке
C) Назначение химиотерапевтических препаратов
D) Проведение хирургических операций
Правильный ответ: B
🧠 Вопрос 10: В какую больничную информационную систему наиболее часто интегрируются алгоритмы ИИ для работы с медицинскими изображениями?
A) Электронная бухгалтерия
B) PACS (Picture Archiving and Communication System)
C) Система управления кадрами
D) Аптечная информационная система
Правильный ответ: B
🧠 Вопрос 11: Что означает термин «проблема черного ящика» в контексте медицинского ИИ?
A) Невозможность физического доступа к серверам, на которых установлена программа
B) Сложность интерпретации внутренней логики принятия решений сложными нейронными сетями, что требует развития объяснимого ИИ (XAI)
C) Использование алгоритмов исключительно в темное время суток
D) Хранение медицинских изображений в зашифрованном виде
Правильный ответ: B
🧠 Вопрос 12: Какой риск связан с использованием модели ИИ, обученной на нерепрезентативной выборке пациентов?
A) Модель станет более точной для всех групп населения
B) Модель может демонстрировать смещения (bias) и некорректно работать на популяциях, отличных от обучающей выборки
C) Модель автоматически адаптируется к любым новым данным без дополнительной валидации
D) Модель перестанет требовать обновления программного обеспечения
Правильный ответ: B
🧠 Вопрос 13: Что необходимо для легитимного применения алгоритма ИИ в клинической практике на территории Российской Федерации?
A) Только публикация статьи о разработке алгоритма в научном журнале
B) Регистрация программного обеспечения как изделия медицинского назначения (ИМН) в Росздравнадзоре
C) Одобрение алгоритма исключительно администрацией больницы
D) Наличие открытого исходного кода на публичном репозитории
Правильный ответ: B
🧠 Вопрос 14: С какой целью проводится внешняя валидация радиомической модели?
A) Для увеличения скорости работы алгоритма
B) Для оценки воспроизводимости и обобщающей способности модели на независимых данных из других медицинских центров
C) Для уменьшения размера файла модели
D) Для улучшения визуального качества исходных изображений
Правильный ответ: B
🧠 Вопрос 15: Какова роль врача-рентгенолога при использовании инструментов ИИ в рамках мультидисциплинарного консилиума (Tumor Board)?
A) Полностью делегировать интерпретацию результатов алгоритму и не участвовать в обсуждении
B) Выступать куратором данных ИИ: верифицировать корректность автосегментации, критически оценивать выводы модели и интегрировать их в общее клиническое заключение
C) Использовать результаты ИИ только в научных целях, игнорируя их в клинической практике
D) Заменять алгоритмом все этапы диагностического процесса
Правильный ответ: B
📚 Список использованных источников: рекомендуемая литература и нормативные документы для углубленного изучения темы радиомики и искусственного интеллекта в лучевой диагностике.
Этот список составлен с опорой на авторитетные международные стандарты, актуальные российские нормативные акты и профильные ресурсы, что полностью соответствует высоким образовательным и технологическим стандартам цифровой экосистемы OnkoClub.
🌍 Международные клинические рекомендации и стандарты
Lambin P. et al. (2017): Radiomics: the bridge between medical imaging and personalized medicine. Nature Reviews Clinical Oncology. Фундаментальная статья, определяющая базовые принципы, этапы радиомического анализа и его роль в персонализированной онкологии.
ESR (2021–2025): European Society of Radiology white papers on AI in radiology. Серия документов, регламентирующих этические аспекты, требования к валидации и безопасное внедрение алгоритмов ИИ в клиническую практику.
RSNA (2023–2026): Radiological Society of North America guidelines on AI model validation and reporting. Включает стандарты CLAIM и MINIMAR для прозрачного описания радиомических исследований и моделей машинного обучения.
🇷🇺 Российские нормативные акты и клинические рекомендации
Постановление Правительства РФ от 01.09.2020 № 1338: «Об утверждении Правил разработки, внедрения и эксплуатации медицинских изделий, содержащих технологии искусственного интеллекта». Базовый документ для легитимного использования ИИ в медицине на территории Российской Федерации.
Распоряжение Правительства РФ от 19.08.2020 № 2129-р: «Об утверждении Концепции развития регулирования отношений в сфере технологий искусственного интеллекта и робототехники до 2024 года». Стратегический документ, определяющий вектор цифровизации здравоохранения.
Клинические рекомендации Минздрава РФ: профильные онкологические руководства, включающие современные разделы о применении методов лучевой диагностики и цифровых инструментов для стадирования и оценки ответа на противоопухолевое лечение.
📖 Учебные пособия и монографии
Труфанов Г.Е. и соавт.: Лучевая диагностика в онкологии. Руководство для врачей с актуальными разделами о внедрении количественных методов анализа изображений и оценке эффективности терапии.
Baeßler B. et al.: Radiomics and Artificial Intelligence in Oncologic Imaging. Современное пособие, детально разбирающее математические основы, текстурный анализ и клинические приложения радиомики.
Сборники материалов профильных конференций: труды мероприятий (например, «Искусственный интеллект в медицине»), посвященные практическому опыту внедрения нейросетей и радиомических конвейеров в российские медицинские учреждения.
💻 Ключевые базы данных и информационные ресурсы
TCIA (The Cancer Imaging Archive): крупнейшая открытая база данных медицинских изображений с сопутствующей клинической и геномной информацией, активно используемая мировым сообществом для обучения и валидации радиомических моделей.
OncoKB: прецизионная онкологическая база знаний, позволяющая сопоставлять радиогеномные находки с уровнями доказательности (Levels of Evidence) для подбора таргетной терапии.
Цифровые модули OnkoClub: внутренние алгоритмы и интерфейсы экосистемы для агрегации радиомических отчетов, визуализации прогнозов ИИ в единой электронной карте пациента и формирования своевременных алертов для лечащей команды.