В области лучевой диагностики также отмечается научная и публикационная активность. Разработана и протестирована модель глубокого обучения (подход 3D-классификации с помощью модели DenseNet) для типирования глиом на результатах МРТ головного мозга. Авторы использовали один набор данных (n = 707), разделив его на две части: 80,0% – для обучения, 20,0% – для тестирования. В таких условиях достигнута точность 83,0%, площадь под характеристической кривой составила 0,95. Авторы отметили достижение цели – принципиальная возможность использования ИИ для конкретной клинической задачи в области лучевой диагностики достигнута [33].
В 2020 году опубликованы результаты ретроспективной оценки точности программного обеспечения на основе ИИ, имеющего статус медицинского изделия (RU.96876180.62.01.29—01). Исследование проведено на результатах 75 флюорографий. Авторы отметили 100,0% чувствительность этой разработки, снабдили свою статью эмоциональными высказываниями («ИИ прекрасно распознавал патологии органов грудной клетки») и рекомендовали продукт к дальнейшей клинической валидации. Несколько странно звучит данная рекомендация в отношении уже зарегистрированного медицинского изделия. Явными ограничениями исследования являются: ретроспективный характер, малый объем выборки (ничем не обоснованный предварительно), а также довольно произвольное использование общепринятых показателей диагностической точности [4].
В 2022 году опубликованы результаты совместной разработки ФГБУ «НМИЦ колопроктологии им А. Н. Рыжих» Минздрава России и одной из коммерческих компаний. С использованием набора данных из 900 результатов магнитно-резонансной томографии прямой кишки разработана «базовая модель искусственного интеллекта» на основе нейросетей SegResNet, TransUnet, 3D Unet. На исходном наборе данных (то есть без внешней валидации или проверки на новых данных) получена точность 77,0%, чувствительность – 98,1%, специфичность – 45,1%, положительная прогностическая ценность – 72,9%, отрицательная прогностическая ценность – 94,1%. Низкую специфичность авторы объяснили высоким удельным весом «ложноположительных результатов у здоровых пациентов» (то есть при анализе изображений без признаков онкологической патологии). Авторы наметили пути дальнейшего развития своей разработки (улучшение специфичности, расширение анализируемых параметров, экспериментирование с параметрами обучения, увеличение набора данных) [39]. Однако они обошли вниманием необходимость внешней валидации; также проигнорирован аспект оценки точности и надежности разработки в проспективном режиме, в реальных клинических условиях.
Достаточно объемным исследованием последних лет стала серия научных работ А. А. Мелдо с соавторами. Обосновав актуальность применения технологий ИИ для выявления признаков злокачественных новообразований