Опубликовано краткое сообщение о разработке сегментационной нейросетевой модели для анализа результатов маммографии. Указаны некоторые технические аспекты, однако заявленной в цели исследования «оценки клинической эффективности» не проведено [62].
Выполнен сравнительный анализ методов классификации легочных узлов по результатам КТ органов грудной клетки и информативности соответствующих признаков (формы и текстуры). Авторы использовали набор данных LIDS, находящийся в открытом доступе, из которого выбрали 321 изображение. Для классификации, также в сравнении, изучены различные алгоритмы машинного обучения: искусственная нейронная сеть, наивный байесовский классификатор, случайный лес, методы опорных векторов и k-ближайших соседей. Для каждого подхода определены показатели точности. Авторы полагают, что добились точности машинной классификации, «на 10% превосходящей результаты опытных врачей-радиологов» [21]; вместе с тем данные о включенных врачах, уровни значимости выявленных различий они не приводят.
Предложена разработка на основе глубинного машинного обучения для сегментации структур легких на КТ, предназначенная для выявления признаков диссеминированной формы туберкулеза. Автор использовал набор данных из 11 результатов КТ с предварительно сегментированными легкими. Обучение собственной нейросети проведено только на одном кейсе, тестирование – на оставшихся 10. В дополнение к столь поверхностному подходу автор использовал нехарактерный для биомедицинской статистики показатель F1. Чувствительность и специфичность разработки составили 0,61 и 0,5—0,78 соответственно [51].
С применением набора данных из 41 исследования мультиспиральной компьютерной томографии с контрастированием разработана нейросеть для 3D-моделирования образований почек и прилежащих структур. При этом для обучения использовано 32 исследования, для валидации – 9. Для оценки точности использован коэффициент Соренсена-Дайса с моделями AHNet, DynUNet и с тремя вариантами модели nnU-Net. Максимально достигнутые показатели составили для нормальной паренхимы почки – 0,89, новообразований почки – 0,58, артерий – 0,86, вен – 0,80, мочеточников – 0,80. Отмечены (вполне ожидаемые) трудности обнаружения новообразований по сравнению с определением паренхимы и сосудов. Авторы запланировали увеличить объем набора данных до 300 исследований и применить операции постобработки для улучшения модели [108].
В целом публикации математического характера довольно типичны: как по подходам и структуре, так и по своим методическим дефектам [7, 16, 20, 38, 47, 68, 80, 82, 98, 101]. За основу берется актуальная клиническая задача (внутричерепные кровоизлияния, новообразования в легких, туберкулез и т. д.) и публично доступный набор данных (КТ, МРТ, рентгенография). Впрочем, иногда в подобных работах и изначально выбранная