Корабельников Даниил Иванович, к.м.н., доцент
2-я Брестская ул., д. 5, Москва 123056
Daniil I. Korabelnikov, PhD, Assoc. Prof.
5 2nd Brestskaya Str., Moscow 123056
Ламоткин Андрей Игоревич
2-я Брестская ул., д. 5, Москва 123056
Andrey I. Lamotkin
5 2nd Brestskaya Str., Moscow 123056
Objective: To develop and systematize a methodology for constructing datasets for computer vision programs (CVPs) in clinical medicine; to propose and substantiate a multicriteria classification of CVPs and to characterize their clinical use at three organizational levels: the patient, the clinician and the medical organization.
Material and methods. The study systematizes the concepts of "dataset" and "database" in medical artificial intelligence, develops a multicriteria classification of CVPs, and , and characterizes their clinical use. The study employed terminological and comparative analyses, as well as a and classification approach.
Results. The concepts of "dataset" and "database" were clarified, and their key characteristics were formalized. A six-stage methodology for constructing a dataset from a clinical database was described, comprising extraction, de-identification, verification, structuring, balancing, and documentation. A four-criteria classification of CVPs was proposed and substantiated, based on input-data modality, number of models used, deployment setting, and integration with clinical equipment. The clinical application of CVPs was characterized at three organizational levels: the patient, the clinician, and the medical organization.
Conclusion. Proper dataset construction is a key determinant of the clinical validity of CVPs. The proposed classification provides a standardized description of these systems, enabling their valid comparison and regulatory evaluation. The identification of the levels at which CVP is used in clinical practice helps optimize its integration into real-world healthcare settings.
Цель: разработать и систематизировать методологию формирования наборов данных для программ компьютерного зрения (ПКЗ) в клинической медицине, предложить и обосновать многокритериальную классификацию ПКЗ, охарактеризовать особенности их клинического применения на трех организационных уровнях (пациента, врача и медицинской организации).
Материал и методы. Исследование посвящено систематизации и формализации понятий «набор данных» и «база данных» в теме искусственного интеллекта в сфере здравоохранения и клинической медицины, разработку многокритериальной классификации программ компьютерного зрения и характеристику особенностей их клинического применения. Использованы методы терминологического анализа, сравнительно-сопоставительного анализа и классификационного подхода.
Результаты. Уточнены и разграничены понятия «набор данных» и «база данных» с формализацией их ключевых характеристик. Описана шестиэтапная методология формирования датасета из клинической базы данных (выгрузка, деперсонализация, верификация, структурирование, балансировка, документирование). Предложена и обоснована четырехкритериальная классификация ПКЗ (по модальности входных данных, числу используемых моделей, месту развертывания и интеграции в оборудование). Охарактеризованы особенности клинического применения ПКЗ на уровне пациента, врача и медицинской организации.
Заключение. Методологически корректное формирование датасетов является определяющим фактором клинической валидности ПКЗ. Предложенная классификация обеспечивает стандартизированное описание систем, необходимое для их корректного сравнения и регуляторной оценки, а понимание уровней клинического применения позволяет оптимизировать интеграцию ПКЗ в реальную медицинскую практику.
The authors declare that there are no conflicts of interest present.