Программы компьютерного зрения в медицине: методология формирования наборов данных, классификация и особенности клинического применения

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.

1. Mennella C., Maniscalco U., De Pietro G., Esposito M. Ethical and regulatory challenges of AI technologies in healthcare: a narrative review. Heliyon. 2024; 10 (4): e26297. https://doi.org/10.1016/j.heliyon.2024.e26297.

2. Ламоткин А.И., Корабельников Д.И., Ламоткин И.А. и др. Искусственный интеллект в здравоохранении и медицине: история ключевых событий, его значимость для врачей, уровень развития в разных странах. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2024; 17 (2): 243–50. https://doi.org/10.17749/2070-4909/farmakoekonomika.2024.254.

3. Hirani R., Noruzi K., Khuram H., et al. Artificial intelligence and healthcare: a journey through history, present innovations, and future possibilities. Life. 2024; 14 (5): 557. https://doi.org/10.3390/life14050557.

4. Matsuzaka Y., Iyoda M. Applications, image analysis, and interpretation of computer vision in medical imaging. Front Radiol. 2026; 5: 1733003. https://doi.org/10.3389/fradi.2025.1733003.

5. Ламоткин А.И., Корабельников Д.И., Ламоткин И.А. и др. Точность предварительной диагностики злокачественных меланоцитарных опухолей кожи с помощью программы искусственного интеллекта. Медицинский вестник ГВКГ им. Н.Н. Бурденко. 2025; 1: 42–51. https://doi.org/10.53652/2782-1730-2025-6-1-42-51.

6. Ламоткин А.И., Корабельников Д.И., Ламоткин И.А., Гладько В.В. Эффективность предварительной диагностики доброкачественных опухолей из сосудистой и фиброзной тканей кожи с применением программы искусственного интеллекта «Derma Onko Check». Медицинский вестник МВД. 2025; 137 (4): 45–52. https://doi.org/10.52341/20738080_2025_137_4_45.

7. Almarie B., Gonzalez-Gonzalez L.F., Dos Santos Barbosa L.A., et al. Machine learning-enabled medical devices authorized by the US Food and Drug Administration in 2024: regulatory characteristics, predicate lineage, and transparency reporting. Biomedicines. 2025; 13 (12): 3005. https://doi.org/10.3390/biomedicines13123005.

8. Корабельников Д.И., Ламоткин А.И. Эффективность применения искусственного интеллекта в клинической медицине. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2025; 18 (1): 114–24. https://doi.org/10.17749/2070-4909/farmakoekonomika.2025.287.

9. Корабельников Д.И., Ламоткин А.И. Искусственный интеллект в онкологии: мировой опыт использования и перспективы развития. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2025; 18 (3): 437–47. https://doi.org/10.17749/2070-4909/farmakoekonomika.2025.302.

10. Корабельников Д.И., Ламоткин А.И. Искусственный интеллект в дерматовенерологии: сравнительный анализ применяемых программ компьютерного зрения на основе моделей машинного обучения. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2025; 18 (4): 571–81. https://doi.org/10.17749/2070-4909/farmakoekonomika.2025.340.

11. Bergman A., Patel T. A., Shah K.P. Characterizing industry payments for FDA-approved AI medical devices. Health Aff Sch. 2025; 3 (12): qxaf211. https://doi.org/10.1093/haschl/qxaf211.

12. Ламоткин, А. И. Искусственный интеллект в дерматовенерологии: обзор применяемых мобильных приложений на основе моделей искусственного интеллекта / А. И. Ламоткин, Д. И. Корабельников // Клинический разбор в общей медицине. – 2026. – Т. 7, № 1. – С. 95-104. – DOI 10.47407/kr2026.7.1.00761.

13. Ktena, I., Wiles, O., Albuquerque, I., Rebuffi, S. A., Tanno, R., Roy, A. G., Azizi, S., Belgrave, D., Kohli, P., Cemgil, T., Karthikesalingam, A., & Gowal, S. (2024). Generative models improve fairness of medical classifiers under distribution shifts. Nature medicine, 30(4), 1166–1173. https://doi.org/10.1038/s41591-024-02838-6

14. Kim, A., & Jung, I. (2023). Optimal selection of resampling methods for imbalanced data with high complexity. PloS one, 18(7), e0288540. https://doi.org/10.1371/journal.pone.0288540

15. Sivakumar R., Lue B., Kundu S. FDA approval of artificial intelligence and machine learning devices in radiology: a systematic review. JAMA Netw Open. 2025; 8 (11): e2542338. https://doi.org/10.1001/jamanetworkopen.2025.42338.

16. Khalid S.A., Khaliq T., Rehman Y.N., et al. Comparative performance of artificial intelligence and radiologists in detecting lung nodules and breast lesions on CT and MRI: a systematic review. Cureus. 2025; 17 (11): e95943. https://doi.org/10.7759/cureus.95943.

17. Olveres J., González G., Torres F., et al. What is new in computer vision and artificial intelligence in medical image analysis applications. Quant Imaging Med Surg. 2021; 11 (8): 3830–53. https://doi.org/10.21037/qims-20-1151.