Качество автоматизированного выявления синусита по результатам рентгенографии в условиях практического здравоохранения (проспективное диагностическое исследование)

Цель исследования: изучить диагностическую точность программного обеспечения на основе технологий искусственного интеллекта (ИИ) для диагностики верхнечелюстного и фронтального синусита (J01, J32) при его применении в условиях практического здравоохранения по данным рентгенографии.

Материал и методы. Проведено проспективное диагностическое исследование (10.2023–12.2024) по методологии STARD 2015. Индекс-тест – четыре анонимизированных ИИ-сервиса для анализа рентгенографии околоносовых пазух, интегрированные в ЕРИС ЕМИАС в рамках Московского Эксперимента. Референс-тест – оригинальная методология клинического мониторинга с двойным экспертным пересмотром, оценкой точности по критериям “трактовка” и “локализация”, расчетом чувствительности, специфичности и AUC. После тестирования в контуре ЭРИС ЕМИАС ИИ-сервисы работали с реальными данными, ежемесячно проходили клинический мониторинг.

Результаты. С октября 2023 г. по декабрь 2024 г. ИИ-сервисы проанализировали 126 547 рентгенограмм околоносовых пазух, из них 53% обработал ИИ-сервис-4. Объемы исследований варьировали в связи с разной продолжительностью работы сервисов.

Регулярный клинический мониторинг охватил 2320 рентгенограмм. Оценивалась правильность выявления патологии, точность ее классификации и локализации. Наивысшая диагностическая точность отмечена у ИИ-сервисов-1 и 2 (AUC 0,98 и 0,95; интегральная оценка – 95,1 и 83,3% соответственно). Они продемонстрировали высокую специфичность и точную локализацию патологий.

ИИ-сервисы-3 и 4 показали худшие результаты (AUC 0,89; интегральная оценка – 76,6 и 79,4% соответственно) с более низкой специфичностью у ИИ-сервиса-3 (0,65).

Выводы. В рамках Московского Эксперимента ИИ-сервисы успешно проанализировали 126 547 рентгенограмм околоносовых пазух (2023–2024 гг.), показав средний уровень точности (AUC 0,93) и качества (83,6%). Полученные результаты подтверждают применимость ИИ в клинической практике.

Различия в точности между сервисами требуют регулярного мониторинга безопасности и качества. Разработанные методологии позволяют эффективно проводить такой контроль. Достигнутый уровень качества открывает перспективы трансформации взаимодействия врачей разных специальностей, что станет темой будущих исследований.

1. Аксенова А.В., Брико Н.И., Клейменов Д.А. Хронические фарингиты, назофарингиты, синуситы и риниты – эпидемиологические показатели распространенности и заболеваемости в Москве и Российской Федерации с 1996 по 2009 г. Российская оториноларингология. 2012; 2 (57): 11–19.

2. Джураева Ш.Ф., Рахимов З.К. Эпидемиология верхнечелюстного одонтогенного синусита и принципы лечения пациентов в стационарных условиях. Интегративная стоматология и челюстно-лицевая хирургия. 2022; 1 (1): 50–54.

3. Колосов В.П., Манаков Л.Г., Перельман Ю.М., Самсонов В.П. Хронические респираторные заболевания: эпидемиологический мониторинг и профилактика. Бюллетень физиологии и патологии дыхания. 2020; 76: 8–18. https://doi.org/10.36604/1998-5029-2020-76-8-18

4. Шкуракова Е.А., Гавенене Е.Н. Исследования заболеваемости синуситами в г. Новочеркасске. Международный научно-исследовательский журнал. 2024; 7 (145): 1–5. https://doi.org/10.60797/IRJ.2024.145.72

5. Ali M.A., Taishan W.S., Almaymoni A.A. et al. Prevalence of Ear, Nose, and Throat Problems in Saudi Arabia: A Cross-Sectional Study. Cureus. 2025; 17 (1): e76927. https://doi.org/10.7759/cureus.76927

6. Tuladhar A.S., Bhattarai A., Bimali S. et al. Sinusitis among Patients Undergoing CT Scan of Paranasal Sinuses in a Tertiary Care Centre: A Descriptive Cross-sectional Study. J. Nepal Med. Assoc. 2022; 60 (254): 857–860. https://doi.org/10.31729/jnma.7595

7. Haider S.P., Sharaf K., Baumeister P., Reichel C.A. Künstliche Intelligenz in der Hals-Nasen-Ohren-Heilkunde [Artificial intelligence in otorhinolaryngology]. HNO. 2022; 70 (2): 87-93. https://doi.org/10.1007/s00106-021-01095-0 (In German)

8. Wu Q., Wang X., Liang G. et al. Advances in Image-Based Artificial Intelligence in Otorhinolaryngology-Head and Neck Surgery: A Systematic Review. Otolaryngol. Head Neck Surg. 2023; 169 (5): 1132–1142. https://doi.org/10.1002/ohn.391

9. Калинин Д.И., Карякин А.А., Захарченко У.Р., Морозова Д.А., Карякина О.Е., Попов Н.В. Создание интеллектуальной системы анализа изображений барабанной перепонки для дифференциальной диагностики заболеваний уха. Бюллетень Северного государственного медицинского университета. 2023; 2 (50): 35–40.

10. Каибханов У.К., Широкова В.И. Использование нейросети для диагностики заболеваний в оториноларингологии. В сборнике: Мечниковские чтения-2024. Материалы 97-й Всероссийской научно-практической конференции студенческого научного общества с международным участием. С.-Пб., 2024: 651–653.

11. Васильев Ю.А., Владзимирский А.В., Арзамасов К.М., Андрейченко А.Е., Гомболевский В.А., Кульберг Н.С., Омелянская О.В., Павлов Н.А., Решетников Р.В., Сергунова К.А., Шарова Д.Е., Шулькин И.М. Компьютерное зрение в лучевой диагностике: первый этап Московского эксперимента: Монография. М.: Издательские решения, 2022. 388 с. https://telemedai.ru/biblioteka-dokumentov/kompyuternoe-zrenie-v-luchevoj-diagnostike-pervyj-etap-moskovskogo-eksperimenta?ysclid=mjzoej1vqe83567861

12. Бобровская Т.М., Васильев Ю.А., Никитин Н.Ю., Арзамасов К.М. Подходы к формированию наборов данных в лучевой диагностике. Врач и информационные технологии. 2023; 4: 14–23. https://doi.org/10.25881/18110193_2023_4_14

13. Васильев Ю.А., Владзимирский А.В., Омелянская О.В., Арзамасов К.М., Четвериков С.Ф., Румянцев Д.А., Зеленова М.А. Методология тестирования и мониторинга программного обеспечения на основе технологий искусственного интеллекта для медицинской диагностики. Digital Diagnostics. 2023; 4 (3): 252–267. https://doi.org/10.17816/DD321971

14. Клинические испытания систем искусственного интеллекта (лучевая диагностика). – Москва: Государственное бюджетное учреждение здравоохранения города Москвы “Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы”, 2023. 40 с.

15. Базовые рекомендации к работе сервисов искусственного интеллекта для лучевой диагностики: методические рекомендации / Составители С.П. Морозов, Л.Р. Абуладзе, А.Е. Андрейченко и др. Серия “Лучшие практики лучевой и инструментальной диагностики”. Вып. 119. М.: ГБУЗ “НПКЦ ДиТ ДЗМ”, 2022. 68 с.

16. Darbari Kaul R., Sacks P.L., Thiel C. et al. Radiomics of the Paranasal Sinuses: A Systematic Review of Computer-Assisted Techniques to Assess Computed Tomography Radiological Data. Am. J. Rhinol. Allergy. 2024: 19458924241304082. https://doi.org/10.1177/19458924241304082

17. Wu Z., Yu X., Chen Y. et al. Deep learning in the diagnosis of maxillary sinus diseases: a systematic review. Dentomaxillofac Radiol. 2024; 53 (6): 354–362. https://doi.org/10.1093/dmfr/twae031

18. Turosz N., Chęcińska K., Chęciński M. et al. Applications of artificial intelligence in the analysis of dental panoramic radiographs: an overview of systematic reviews. Dentomaxillofac. Radiol. 2023; 52 (7): 20230284. https://doi.org/10.1259/dmfr.20230284

19. Webster S., Fraser J. Artificial intelligence and dental panoramic radiographs: where are we now? Evid. Based Dent. 2024; 25 (1): 43–44. https://doi.org/10.1038/s41432-024-00978-9

20. Попадюк В.И., Балашова М.Е., Хабадзе З.С., Елисеева Т.А., Козлова З.В., Фокина С.А. Алгоритм диагностического исследования верхних дыхательных путей по данным КЛКТ. Folia Otorhinolaryngologiae et Pathologiae Respiratoriae. 2023; 29 (4): 4–11.

21. Касаткин А.Н., Фомина А.В. Анализ распространенности заболеваний ЛОР-органов и их медико-социальная значимость. Современные проблемы здравоохранения и медицинской статистики. 2024; 2: 338–351. https://doi.org/10.24412/2312-2935-2024-2-338-351

22. He S., Chen W., Wang X. et al. Deep learning radiomics-based preoperative prediction of recurrence in chronic rhinosinusitis. iScience. 2023; 26 (4): 106527. https://doi.org/10.1016/j.isci.2023.106527

23. Wang Y., Han Q., Wen B. et al. Development and validation of a prediction model for malignant sinonasal tumors based on MR radiomics and machine learning. Eur. Radiol. 2025; 35: 2074–2083. https://doi.org/10.1007/s00330-024-11033-7

24. Zhu K.Z., He C., Li Z. et al. Development and multicenter validation of a novel radiomics-based model for identifying eosinophilic chronic rhinosinusitis with nasal polyps. Rhinology. 2023; 61 (2): 132–143. https://doi.org/10.4193/Rhin22.361

25. Bulfamante A.M., Ferella F., Miller A.M. et al. Artificial intelligence, machine learning, and deep learning in rhinology: a systematic review. Eur. Arch. Otorhinolaryngol. 2023; 280 (2): 529–542. https://doi.org/10.1007/s00405-022-07701-3

26. Бородулин Б.Б., Гогоберидзе Ю.Т., Жилинская К.В., Просвиркин И.А., Сабитов Р.А. Опыт применения искусственного интеллекта для автоматизированного анализа цифровых рентгенограмм в условиях городской больницы. Digital Diagnostics. 2024; 5 (S1): 127–129. https://doi.org/10.17816/DD629896

27. Никитин Е.Д. Моделирование индивидуального стиля разметки врача-рентгенолога для улучшения точности нейронных сетей. Digital Diagnostics. 2023; 4 (S1): 99–101. https://doi.org/10.17816/DD430358