Обширный набор прикровых рентгенограмм грудной клетки с структурированными, поэлементными и градуированными радиологическими заключениями

Почему важны более «умные» рентгены грудной клетки

Когда пациент находится в критическом состоянии в отделении интенсивной терапии, простой прикровый рентген грудной клетки может показать, заполняются ли легкие жидкостью, увеличено ли сердце или обрушились ли дыхательные пути. Врачи часто повторяют такие исследования день за днем, чтобы отслеживать состояние пациента. Тем не менее интерпретировать эти снимки сложно, особенно когда пациенты не могут правильно сидеть или стоять, и даже эксперты не всегда описывают увиденное одинаково. В этой статье представлен TAIX-Ray — большая, тщательно размеченная коллекция прикровых рентгенов грудной клетки, созданная для обучения компьютеров более надежному распознаванию и градуировке проблем легких и сердца — что может ускорить диагностику и поддержать перегруженный медицинский персонал.

В чем текущие наборы данных уступают

За последнее десятилетие крупные публичные коллекции рентгенограмм грудной клетки ускорили развитие ИИ в медицинской визуализации. Однако большинство таких баз создавались путем пропуска радиологических заключений через системы обработки естественного языка, чтобы угадать, какие заболевания присутствуют. Этот упрощенный подход порождает две серьезные проблемы. Во‑первых, реальные клинические отчеты полны неопределенной или осторожной формулировки — фраз, которые в разных контекстах могут интерпретироваться по‑разному. Во‑вторых, радиологи сильно различаются в выражении степени уверенности; более половины отчетов по грудной визуализации содержат по крайней мере одно такое оговорочное утверждение. Преобразование этого нечеткого языка в простые метки «болезнь есть» или «болезни нет» вносит шум в данные и может вводить в заблуждение алгоритмы обучения, ограничивая потенциал даже самых продвинутых моделей.

Новый тип коллекции рентгенов

TAIX-Ray решает эти недостатки, начиная не с свободного текста, а со структурированных отчетов. Авторы собрали 215 381 прикровой рентген грудной клетки у 47 724 пациентов отделения интенсивной терапии за 14 лет в одной большой больнице. В ходе рутинной помощи 134 обученных радиолога заполняли стандартизированную электронную форму для каждого рентгена. Вместо того чтобы записывать любые свободные формулировки, они поэлементно выбирали оценки для ключевых находок: размер сердца, признаки перегрузки жидкостью в легких, наличие жидкости вокруг легких по каждой стороне, помутнения в легких по каждой стороне и спадение легочной ткани по каждой стороне. Каждая находка оценивалась по упорядоченной шкале от «отсутствует» через «сомнительно», «легкая», «умеренная» до «тяжелая» (для размера сердца использовалась схожая четырехступенчатая шкала). Такой подход фиксирует не только факт наличия патологии, но и степень ее выраженности и локализацию.

Как готовили изображения и метки

Чтобы защитить конфиденциальность пациентов, из изображений и отчетов удалили все идентифицирующие данные, и каждому пациенту, врачу и рентгену присвоили случайный код. Исходные формы отчетов, которые программное обеспечение госпиталя превратило в простой текст, пропускали через собственный скрипт, который извлекал только заранее определенные слова‑оценки и игнорировал прочие комментарии. Сами изображения конвертировали из медицинского формата в стандартные градации серого, сохранив полный диапазон яркостей, несущий тонкие диагностические признаки. Каждое изображение также масштабировали до согласованного максимального размера для удобства обработки, при этом оригинальные версии в полном разрешении сохранялись доступными. Исследования, в которых отсутствовали необходимые данные или имелась неоднозначность — например, несколько изображений, где было непонятно, какое оценивалось — тщательно исключали, чтобы поддержать качество данных.

Создание и тестирование примерной модели ИИ

Чтобы продемонстрировать применение TAIX-Ray, команда обучила современную систему анализа изображений, основанную на «vision transformer» — архитектуре глубокого обучения, изначально разработанной для общих задач компьютерного зрения. Начиная с модели, которая уже самостоятельно усвоила полезные визуальные признаки на больших коллекциях немедицинских изображений, они добавили слои, обучающиеся прогнозировать наличие и степень каждой грудной находки. Провели два основных эксперимента. В первом модель просто решала, является ли рентген нормальным или показывает любую аномалию. Во втором она предсказывала полную градуированную шкалу для каждой находки. При разбиении по пациентам на тренировочный, валидационный и тестовый наборы, чтобы избежать пересечения, модель показала высокую точность и хорошее согласие с исходными оценками радиологов во всех задачах, особенно хорошо справившись с оценкой жидкости вокруг легких и изменениями размера сердца.

Что это значит для пациентов и врачей

Сочетая очень большое количество реальных прикровых рентгенограмм с последовательными, тонко градуированными экспертными метками, TAIX-Ray создает основу для разработки ИИ‑инструментов, которые делают больше, чем просто отмечают «что‑то не так». Модели, обученные на этом ресурсе, могут оценивать степень распространенных проблем легких и сердца и отслеживать их динамику — информацию, имеющую решающее значение для принятия лечебных решений в ОИТ. Поскольку данные, код и примеры моделей доступны публично, другие исследователи могут повторно использовать их, объективно сравнивать методы и расширять их для новых задач. Хотя такие системы не заменят радиологов, они могут служить второй парой глаз — подчеркивая тонкие изменения, приоритизируя критические случаи и обеспечивая более последовательные оценки у одних из самых тяжелобольных пациентов в больнице.

Цитирование: Truhn, D., Geiger, D., Siepmann, R. et al. A comprehensive bedside chest radiography dataset with structured, itemized and graded radiologic reports. Sci Data 13, 632 (2026). https://doi.org/10.1038/s41597-026-07271-7

Ключевые слова: ИИ для грудных рентгенов, изображения в отделении интенсивной терапии, наборы данных радиологии, находки в легких и сердце, градуировка медицинских изображений