Только в единичных работах рассматривается возможность обогащения визуализации клиническими данными. Например, изучена возможность совместного анализа результатов КТ легких и «текстовых радиологических данных» с целью повышения точности автоматизированного выявления эмфиземы. Авторы использовали набор данных из 111 случаев с визуализацией и текстовыми данными и 108 случаев только с результатами КТ. Использование информации о локализации патологического проявления из текстовых данных позволило авторам повысить точность своей модели ИИ на 11% (с 0,66 до 0,77), также получено повышение F-меры обнаружения эмфиземы с 0,55 до 0,73 [91]. Авторы подчеркивают экспериментальный характер своей работы, соответственно, проспективного применения разработки в реальных клинических условиях нет.
Обзорно рассмотрена проблематика создания наборов данных КТ-исследований легких. Опубликованы результаты разработки пакета программных средств, состоящего из приложений и скриптов конвертации для автоматизации процесса разметки медицинских изображений и подготовки обучающих наборов данных. Вместе с тем сведения о практическом использовании столь актуальной разработки отсутствуют [39].
Несмотря на представленные результаты, количество российских публикаций о применении и результативности ИИ в лучевой диагностике крайне мало. Подавляющее большинство статей в предметной области представляют собой обзоры [15, 34, 42, 66, 86, 99] или материалы технического характера.
Действительно, значительная группа научных статей и коротких сообщений посвящена описанию опыта разработки технологий ИИ для лучевой диагностики, основных параметров соответствующих математических моделей. Такие публикации создают лишь некую предварительную основу для изучения проблематики ИИ в лучевой диагностике [1, 3, 6, 28, 51, 62, 73]. Большинство из них носят сугубо «математический» характер, не соответствуют принятым в доказательной медицине дизайнам и совершенно не отвечают запросам медицинской науки и практики.
В частности, разработан алгоритм на основе сверточной нейросети U-Net для диагностики идиопатической нормотензивной гидроцефалии по четырем признакам, выявляемым на результатах магнитно-резонансной томографии. Основная клиническая цель определена как поддержка принятия решения о необходимости хирургического лечения. Для разработки модели ИИ использован набор данных из 1800 МРТ около 600 пациентов. Тестирование точности проведено на группе из 90 пациентов с диагностированной целевой патологией. Авторы не приводят точных формулировок, но можно предположить, что решения алгоритма по 90 случаям были верифицированы тремя «врачами лучевой диагностики». В качестве показателя использовался коэффициент Соренсена-Дайса. По утверждению исследователей,