Software & Systems

Введение. Актуальность проблемы ранней и точной диагностики заболеваний легких на основе рентгенографических исследований груд- ной клетки остается чрезвычайно высокой в современном здравоохранении. Рентгенограммы, включая флюорографию, являются наиболее распространенным, доступным и экономически эффективным методом скрининга и первич- ной диагностики таких социально значимых патологий, как туберкулез, пневмония и рак легкого. Несмотря на повсеместную распространенность, метод обладает таким ограничением, как субъективность визуального анализа. Врач-рентгенолог может столкнуться с высоким объемом исследований, усталостью и сложностью выявления малоконтрастных и ранних изменений, что потенциально приводит к диагностическим ошибкам и пропуску патологий [1, 2]. Также потребность в повышении точности, скорости и воспроизводимости диагностических процедур стала ключевым моментом активного внедрения и развития компьютерных технологий в медицину.

В последние годы прогресс в области компьютерного зрения и глубокого обучения открыл новые возможности для анализа рентгенограмм. В [3] описаны основы разработки  решений с использованием ИИ для анализа рентгенограмм, приведены существующие решения для интерпретации рентгенограмм грудной клетки. Достижения в технологиях визуализации для скрининга заболеваний легких  с использованием различных технологий, в том числе и компьютерной томографии, обобще- ны в [4]. Разработка алгоритмов на основе ИИ для автоматизированного анализа рентгенографических изображений стала одним из самых динамично развивающихся направлений в радиологии [5–7]. Эти системы способны решать критически важные задачи, позволяющие автоматически обнаруживать патологические изменения (очаговые тени, инфильтраты, участки затемнения и просветления), проводить их сегментацию, а также предварительную дифференциальную диагностику с классификацией найденных заболеваний в помощь врачу-рентгенологу [7].

Эффективность современных алгоритмов, основанных на сверточных нейронных сетях, подтверждается исследованиями, демонстрирующими высокую чувствительность и специфичность в детекции широкого спектра заболеваний легких. Особенно широко используются алгоритмы на основе ИИ при диагностировании рака легких [8]. В обзорной работе [9] обоб- щены сильные и слабые стороны современных методов, способные привести к созданию целостной системы диагностики заболеваний легких. В [10] рассмотрена структура оценки ПО, которая может быть использована для его валидации в радиологии с использованием ИИ. Ведутся активные исследования в области диагностирования заболеваний с использованием ИИ  и разрабатываются коммерческие и академические решения, адаптированные под локальные клинические задачи и особенности сбора данных.

Работ по обзору ПО российских производителей для анализа рентгенографических снимков легких не обнаружено и практически нет публикаций по обзору иностранных ПО. Целью данного исследования является анализ современных действующих отечественных и зарубежных систем.

Рассмотрены наиболее распространенные отечественные и зарубежные коммерческие продукты, а также программы для ЭВМ как результаты интеллектуальной деятельности. Оце- нена точность классификации заболеваний представленными продуктами. Приведены значения основных диагностических метрик, таких как чувствительность и специфичность. Выделены программы, имеющие наилучшие метрики диагностирования заболеваний легких.

Исследование отечественного рынка ПО

Следует выделить восемь продуктов – программ широкого профиля, которые выявляют заболевания как легких, так и других органов.

Программные средства «Цельс ФЛГ» и «Цельс РГ» разработаны в 2019 году компанией «Медицинские скрининг системы». Данные продукты автоматически анализируют флюоро- и рентгенограммы органов грудной клетки с целью выявления признаков заболеваний. Программы определяют 14 рентгенологических признаков и на их основе формируют наиболее вероятный диагноз (http://www. swsys.ru/uploaded/image/2025-4/8.jpg).

Сервис «Третье мнение РГ» от компании «Платформа Третье Мнение» сегодня исполь- зуют в работе более 500 медучреждений России. Он выявляет признаки туберкулеза, пневмонии, образований в легких, определяет гидро- и пневмоторакс (рис. 1).

Программное средство «AI RADIOLOGY CXR РГ» разработано в 2020 году университетом Иннополис для автоматического распознавания патологий легких, связанных с плевральным выпотом, пневмотораксом, ателектазом, очагом затемнения, инфильтрацией, диссеминацией, полостью с жидкостью, закальцинированностью в легких, нарушением целостности кортикального слоя по рентгеновским изображениям в прямой проекции. Данное ПО имеет высокую чувствительность по определению заболеваний в ущерб специфичности. Следует отметить, что в нем имеется функция автоматизированной передачи информации о выявленных патологиях в сторонние медицинские информационные системы.

В 2018 году компанией «ФтизисБиоМед» разработана «Программа автоматизированного анализа цифровых флюорограмм». Она автома- тически оценивает вероятность наличия различ- ных патологий на рентгено- и флюорограммах, а также осуществляет поиск и локализацию патологических признаков [11, 12]. Классификатор патологий сервиса «ФтизисБиоМед» способен различать и каталогизировать 11 типов патологических признаков, в частности плевральный выпот, пневмоторакс, ателектаз, очаг затемнения, инфильтрацию/консолидацию, дис- семинацию, полость, кальцинат/кальцинированную тень. При этом выделяются проблемные участки в легких (рис. 2).

Компанией «ArchiMed» создано ПО «АПК АрхиМед AIVORY AI Chest X», предназначенное для загрузки рентгенологических исследований органов грудной клетки с после- дующим определением набора патологий органов грудной клетки по 12 классам на основе обученных моделей нейросетей. В результате работы программы генерируются отдельные копии исходного изображения, на которых обнаруженная патология выделяется контурами, а также указываются ее название и процент  ее вероятности (http://www.swsys.ru/uploaded/ image/2025-4/9.jpg).

Кроме того, эта же компания представила продукт «ArchiMed Aivory AI Lung X» для интеллектуального анализа легких на рентгенограммах.

Рассмотрим продукты, анализирующие изоб- ражения, полученные методом компьютерной томографии (КТ-изображения). В 2022 году компанией «АЙРА Лабс» разработано ПО «Chest-IRA», которое обнаруживает пять патологий легких при анализе КТ-снимков: легочные узлы, нарушения воздушности легочной ткани, эмфизему легких и выпот в плевральной полости и пневмоторакс. При этом автомати- чески анализируются КТ-исследования и наг- лядно представляются результы.

Сервис «CVL - Chest CT Complex» компании «СиВижинЛаб» решает задачу бинарной классификации снимков КТ органов грудной клетки с целью выявления пациентов с признаками таких патологий, как злокачественные новообразования легких, изменения в них, по- лученные при заболевании COVID-19, и свобод- ная жидкость в плевральных полостях. Система компьютерного зрения определяет и локализует признаки злокачественных новообразований, ишемической болезни сердца и гидроторакса. Программа предоставляет пользователю детализированные результаты анализа.

ПО «AI Diagnostic Chest CT Multi» компании «Интел диагностик» определяет на компьютерной томографии органов грудной клетки рентгенологические признаки следующих патологий: злокачественные новообразования лег- ких, выпот и нарушения воздушности легочной ткани.

Результаты работы сервиса представляют собой визуализацию с цветными контурами  и масками найденных патологий, сопровождаемую подробной легендой, а также предварительно заполненный протокол с информацией о размерах, объемах и плотности найденных изменений.

Средние значения основных метрик работы рассмотренных отечественных программ представлены в таблице 1.

Очевидно, что среди программ, диагностирующих заболевания по рентгеновским снимкам, максимальную чувствительность показала «AI RADIOLOGY CXR РГ» (0,92), максимальные специфичность и точность – «Программа автоматизированного анализа цифровых флюорограмм» (0,95 и 0,93 соответственно). В списке программ, анализирующих КТ-изображения, наилучшую чувствительность показала «Chest-IRA» (0,88), лучшие специфичность (0,85)  и точность (0,85) показало ПО «AI Diagnostic Chest CT Multi».

Российские некоммерческие  программные продукты

Рассмотрим программы, зарегистрированные как результаты интеллектуальной деятельности в ФИПС.

«Программа распознавания пневмонии на основе нейронных сетей» предназначена для автоматизированной диагностики пневмонии по рентгеновским снимкам легких [13]. Она вы- полняет автоматическую обработку изображения, выделяет ключевые признаки и классифицирует их с использованием нейронных сетей. Результатом работы являются вероятностная оценка наличия пневмонии и визуализация областей, вызывающих подозрение.

«Модель искусственного интеллекта для диагностики пневмонии на рентгенограммах грудной клетки у детей» предназначена для ав- томатизации распознавания признаков пневмонии на цифровых изображениях рентгенограмм грудной клетки [14]. Преимуществами системы являются увеличение точности автоматической диагностики пневмонии на основе выявленных признаков патологий и устойчивость модели определения патологий за счет обучения нейросети на наборах рентгенограмм детей разных возрастов.

Программа «Компьютерная система искусственного интеллекта для диагностики пневмонии на основе анализа рентгенограмм грудной клетки» предназначена для автоматизации распознавания пневмонии по цифровым рентгеновским снимкам грудной клетки [15]. Программа направлена на поиск аномалий в рентгеновских снимках на основе нейронных сетей, при этом точность определения патологии  составляет 98 %. В программе нейронными сетями анализируются оцифрованные/цифровые рентгеновские снимки легких и составляется заключение, где указано наличие или отсутствие характерных для пневмонии признаков.

«Программа для диагностики пневмонии на рентгенограммах грудной клетки с помощью сверточной нейронной сети» может исполь- зоваться в медицинских вузах для обучения студентов и ординаторов и в медицинских  организациях для диагностических целей [16]. Она осуществляет бинарную классификацию рентгенограмм грудной клетки с постановкой диагноза «пневмония», используя сверточную нейронную сеть. Предусмотрена возможность проводить ее обучение на наборе рентгено- грамм грудной клетки, сохранять и загружать уже обученные сети в формате Keras (H5).

Программа «Сверточная нейронная сеть для диагностики пневмонии» предназначена для ав- томатического анализа рентгенографических изображений и выявления признаков, характерных для заболевания грудной клетки [17]. Она использует изображение как входные данные и классифицирует его по двум категориям: «нормальное» и «пневмония», точность диагностирования последней составляет более 92 %.

«Программа для обнаружения признаков пневмонии, вызванной COVID-19, на рентгеновских снимках грудной клетки» позволит обратить внимание врача в первую очередь на снимки с характерными признаками патологии и на локализацию этих признаков на снимках [18]. Программа может быть использована в рентгеновских диагностических системах, на АРМ врача-рентгенолога.

В программе «Математическая модель выделения областей пневмонии путем решения задачи обнаружения объектов глубокой ней- ронной сетью» предусмотрен функционал динамического изменения параметров ее работы с возможностью их настройки [19].

«Программная система поддержки принятия решений при выявлении пневмонии взрослых пациентов» представляет собой инструментарий для автоматизированного анализа рент- генографических изображений легких с целью детекции признаков пневмонии у пациентов [20]. В основе алгоритмического решения лежит  метод машинного обучения – случайный лес, принцип работы которого базируется на ансамблевом подходе с использованием множества решающих деревьев. Каждое дерево обучается на отдельной подвыборке данных с применением случайного подмножества признаков, что обеспечивает устойчивость модели к переобучению. Интерфейс приложения предоставляет пользователям функционал для загрузки рентгеновских изображений и последующего получения результата бинарной классификации: «пневмония» или «отсутствие пневмонии».

«Программа для определения пневмонии по рентгеновским изображениям легких» обладает графическим интерфейсом, получает на вход рентгеновское изображение произвольного размера в формате JPG, JPEG или PNG [21]. Классификация изображения производится ансамблем четырех нейронных сетей. Имеет следующие значения для метрики классификации пневмонии: точность = 0,937, чувствительность = 0,995, эффективность = 0,965.

Программа «Нейросетевая идентификация болезней легких (туберкулез и пневмония)» предназначена для проведения идентификации болезней легких на примере туберкулеза и пнев- монии на основе сверточной нейронной сети  с использованием снимков грудной клетки [22]. Она содержит веса обученной нейронной сети и является десктопным приложением. Также может быть использована в учебном процессе при освоении дисциплин, связанных с машинным обучением и прогнозированием.

Программа «Пульмонист» служит для диагностирования заболеваний легких, например пневмонии, по рентгеновскому снимку и смежным данным [23]. Она может использоваться  в целях раннего оперативного выявления заболеваний легких и дополнительного контроля со стороны медицинского персонала. Программа представлена предобученной нейронной сетью и реализована в виде веб-сервиса по модели SaaS.

«Программа для маркировки и фильтрации флюорограмм» предназначена для фильтрации и сегментированной маркировки флюорограмм с целью выявления патологий легких (туберкулеза, пневмонии и COVID-19), может применяться в медицинских и диагностических центрах для автоматизации анализа рентгеновских изображений легких [24]. Программа обеспечивает выполнение функций фильтрации изображений с использованием нелинейных методов, алгоритма Canny и пространственно-частотного преобразования для повышения четкости и выделения анатомических структур. Сервис позволяет делать сегментацию и выполнять классификацию патологических изменений. Результаты обработки сохраняются в графических форматах .jpeg, .png, .bmp, .jpg для наглядного представления разметки и использования в отчетах.

Из двенадцати рассмотренных программ для анализа рентгенограммы легких очень высокую чувствительность (0,995) имеет «Программа для определения пневмонии по рентгеновским изображениям легких», что выше, чем у коммерческих продуктов, рассмотренных ранее.

Рассмотрим программы, которые анализируют снимки КТ.

Программа «Телемедицинский сервис распознавания типов пневмоний» обеспечивает выполнение следующих функций: загрузка КТ-снимка пользователем, его преобразование  в серию нормализованных изображений, выделение уплотнений и областей легких, анализ  и классификация типа пневмонии по найденным уплотнениям, генерация отчета в формате .pdf и его отправка на почту пользователя [25].

Программа «Нейросетевая модель по диагностике вирусной пневмонии на основании снимков КТ грудной клетки» предназначена для автоматической диагностики вирусной пнев- монии по снимкам КТ грудной клетки с использованием методов глубокого обучения [26]. Программа может использоваться в медицинских учреждениях как в формате веб-приложения, так и в закрытом контуре. Ее функциональные возможности: сегментация областей поражений на снимках и всей области легких, подсчет объемов пораженных областей, определение процента заражения легких, формирование формализованного описания анализируемого исследования.

Программа «CVL CT COVID-19» предназначена для анализа снимков КТ на предмет наличия признаков патологических изменений легких, вызванных COVID-19 [27]. Приложение применяется как система поддержки приня- тия врачебных решений при описании снимков КТ врачами-рентгенологами. Функциональные возможности программы: выявление признаков патологических изменений легких, вызванных COVID-19 на основе анализа исследования КТ области грудной клетки, определение вероятности наличия у пациентов пневмонии вызванной COVID-19, локализация признаков COVID-19 на аксиальных срезах КТ, подсчет процента поражения отдельно для каждого легкого.

Зарубежные коммерческие  программные продукты

Ведущей платформой для ИИ в области медицинской визуализации, помогающей радиологам быстро выявлять критические патологии на рентгенограммах, в том числе заболевания легких, является «Aidoc», созданная одноименной компанией. Система использует глубокое обучение для автоматического анализа изображений и выделения случаев, требующих немедленного внимания. Алгоритмы «Aidoc» используются более чем в 900 больницах и центрах визуализации за рубежом.

Компания «Qure.ai» разработала платформу «qXR» – одно из наиболее известных решений для автоматического анализа рентгенов грудной клетки. Платформа предназначена для распознавания таких заболеваний, как пневмония, туберкулез, опухоли и аномалии сердечно-сосудистой системы [28]. Она использует технологию глубокого обучения и может интегри- роваться с системами хранения и обработки  медицинских изображений PACS и электронными медицинскими картами EHR, обеспечивая автоматическую предварительную интерпретацию изображений.

Система ИИ «VUNO Med-Lung» компании «VUNO» способна давать автоматическую оценку рентгенограмм легких. Она помогает выявлять проявления пневмонии, других воспалительных и воспалительно-дистрофических процессов, а также аномалии. Решение прошло клинические испытания и предназначено для интеграции в стандартные рабочие процессы.

Платформа «InferRead CT Lung» (разработчик «Beijing Infervision Technology Co.») проводит автоматизированный анализ рентгенограмм грудной клетки с помощью ИИ. Она предназначена для обнаружения признаков пневмонии, туберкулеза, раковых опухолей и других патологий легких. Программа анализирует признаки, в частности, очаги, тени, изменения структуры тканей, расширение корней легких, увеличение сердечно-сосудистых структур  и другие важные показатели. На итоговом изоб- ражении выделяются области с подозрительными признаками (например, обводки очагов или областей поражения) и указывается вероятность заболевания (http://www.swsys.ru/uplo- aded/image/2025-4/10.jpg).

Коммерческое решение на базе ИИ «Lunit INSIGHT CXR» компании «Lunit» автоматически анализирует рентгенограммы грудной клетки. Оно обнаруживает различные заболевания и аномалии, такие как пневмония, туберкулез, кардиомегалия, наличие инородных тел и другие патологические изменения. Система помогает выявить признаки интерстициальных заболеваний легких, опухолей, кардиомегалии, патологий сосудов и других структурных изменений, а также способно автоматически подсвечивать районы с подозрительными признаками. Программа легко интегрируется в PACS и EHR, обеспечивая удобный доступ к результатам анализа.

Современная облачная платформа «Arterys», созданная одноименной компанией, использует алгоритмы машинного обучения и ИИ для анализа медицинских изображений, в том числе рентгенограмм легких. Программа предназначена для автоматического обнаружения патологий, таких как признаки пневмонии, опухоли, фиброз. Содержит возможности обучения модели на новых данных для повышения точности.

Данные по метрикам достаточно разрозненные, но для всех программ чувствительность примерно одинаковая, в интервале от 0,86 до 0,92. Специфичность и точность несколько отличаются (табл. 2).

Выводы

На основании изложенного следует от- метить, что максимальная чувствительность  в рассмотренных российских коммерческих программных продуктах, проводящих диагно- стику заболеваний по рентгеновским изображе- ниям, выявлена в «AI RADIOLOGY CXR РГ», максимальные специфичность и точность у про- граммы компании «ФтизисБиоМед». Среди российских коммерческих программ, анализи- рующих КТ-изображения, наилучшую чувствительность показала «Chest-IRA», лучшие специфичность и точность у ПО «AI Diagnostic Chest CT Multi».

Из программ, содержащихся в базе ФИПС, для анализа рентгенограммы легких самая высокая чувствительность при определении пневмонии у «Программы для определения пневмонии по рентгеновским изображениям легких». Этот показатель выше, чем у российских коммерческих продуктов.

Чувствительность и специфичность у западных коммерческих программ сопоставима с показателями российских продуктов.

Заключение

В работе проведена оценка наиболее распространенных отечественных и зарубежных программных продуктов, диагностирующих заболевания легких по рентгено-, флюрографии и по КТ-изображениям.

Метрики рассмотренных программных продуктов могут быть примерным ориентиром при создании программ для анализа рентгеновских изображений и поддержки принятия решения. При этом необходимо иметь в виду, что для различных датасетов программы показывают разные значения метрик.

Список литературы

1. Jung T., Vij N. Early diagnosis and real-time monitoring of regional lung function changes to prevent chronic obstructive pulmonary disease progression to severe emphysema. J. Clin. Med., 2021, vol. 10, no. 24, art. 5811. doi: 10.3390/jcm10245811.
2. Balata H., Quaife S.L., Craiget C. et al. Early diagnosis and lung cancer screening. Clinical Oncology, 2022, vol. 34, no. 11, pp. 708–715. doi: 10.1016/j.clon.2022.08.036.
3. Kwee T.C., Kwee R.M. Workload of diagnostic radiologists in the foreseeable future based on recent scientific advances: Growth expectations and role of artificial intelligence. Insights into Imaging, 2021, vol. 12, art. 88. doi: 10.1186/s13244-021-01031-4.
4. Kasalak Ö., Alnahwi H., Toxopeus R. et al. Work overload and diagnostic errors in radiology. European J. Radiology, 2023, vol. 167, art. 111032. doi: 10.1016/j.ejrad.2023.111032.
5. Adams S.J., Henderson R.D.E., Yi X., Babyn P. Artificial intelligence solutions for analysis of X-ray images. CAR J., 2020, vol. 72, no. 1, pp. 60–72. doi: 10.1177/0846537120941671.
6. Nathani A., Dincer H.E. Advancements in imaging technologies for the diagnosis of lung cancer and other pulmonary diseases. Diagnostics (Basel), 2025, vol. 15, no. 7, art. 826. doi: 10.3390/diagnostics15070826.
7. Zhou Z., Qian X., Hu J., Chen G. et al An artificial intelligence-assisted diagnosis modeling software (AIMS) platform based on medical images and machine learning: a development and validation study. QIMS, 2023, vol. 13, no. 11, pp. 7504–7522. doi: 10.21037/qims-23-20.
8. Zinchenko V., Chetverikov S., Akhmad E. et al. Changes in software as a medical device based on artificial intelligence technologies. IJCARS, 2022, vol. 17, pp. 1969–1977. doi: 10.1007/s11548-022-02669-1.
9. Sanida T., Sanida M.V., Sideris A., Dasygenis M. Enhancing pulmonary diagnosis in chest X-rays through generative AI techniques. Multidisciplinary Scientific J., 2024, vol. 7, no. 3, pp. 302–318. doi: 10.3390/j7030017.
10. Tanguay W., Acar P., Fine B. et al. Assessment of radiology artificial intelligence software: A validation and evaluation framework. CAR J., 2022, vol. 74, no. 2, pp. 326–333. doi: 10.1177/08465371221135760.
11. Ethan D., Christe A., Fontanellaz M. et al. Artificial intelligence and interstitial lung disease: Diagnosis and prognosis. Investigative Radiology, 2023, vol. 58, no. 8, pp. 602–609. doi: 10.1097/RLI.0000000000000974.
12. Kanan M., Alharbi H., Alotaibi N. et al. AI-driven models for diagnosing and predicting outcomes in lung cancer: A systematic review and meta-analysis. Cancers, 2024, vol. 16, no. 3, art. 674. doi: 10.3390/cancers16030674.
13. Морозов С.П., Владзимирский А.В., Ледихова Н.В. и др. Оценка диагностической точности системы скрининга туберкулеза легких на основе искусственного интеллекта // Туберкулез и болезни легких. 2018. Т. 96. № 8. С. 42–49. doi: 10.21292/2075-1230-2018-96-8-42-49.
14. Бородулина Е.А., Гогоберидзе Ю.Т., Просвиркин И.А. и др. Оценка эффективности использования технологий искусственного интеллекта для скрининга заболеваний легких в муниципальной больнице // Сибирский журнал клинической и экспериментальной медицины. 2025. Т. 40. № 1. С. 209–217. doi: 10.29001/2073-8552-2025-40-1-209-217.
15. Овакимян А.А. Программа распознавания пневмонии на основе нейронных сетей: Свид. о регистр. ПрЭВМ № 2024690430. Рос. Федерация, 2024.
16. Ильиных В.А., Сафронова И.В., Ильиных М.А. и др. Модель искусственного интеллекта для диагностики пневмонии на рентгенограммах грудной клетки у детей: Свид. о регистр. ПрЭВМ № 2024684207. Рос. Федерация, 2024.
17. Шашков О.В., Попова О.Г., Пашкова Ю.А. Компьютерная система искусственного интеллекта для диагностики пневмонии на основе анализа рентгенограмм грудной клетки: Свид. о регистр. ПрЭВМ № 2021619055. Рос. Федерация, 2021.
18. Антонов В.Н., Маркина Н.В., Беленкова Э.И. и др. Программа для диагностики пневмонии на рентгенограммах грудной клетки с помощью сверточной нейронной сети: Свид. о регистр. ПрЭВМ № 2023619898. Рос. Федерация, 2023.
19. Шуршев Т.В. Сверточная нейронная сеть для диагностики пневмонии: Свид. о регистр. ПрЭВМ № 2023661538. Рос. Федерация, 2023.
20. Кривоногов Л.Ю., Иномбоев И.С. Программа для обнаружения признаков пневмонии, вызванной COVID-19, на рентгеновских снимках грудной клетки: Свид. о регистр. ПрЭВМ № 2024616745. Рос. Федерация, 2024.
21. Киселев С.А. Математическая модель выделения областей пневмонии путем решения задачи обнаружения объектов глубокой нейронной сетью: Свид. о регистр. ПрЭВМ № 2021660862. Рос. Федерация, 2021.
22. Тагирова Л.Ф., Чернопрудова Е.Н., Соболев Я.О. и др. Программная система поддержки принятия решений при выявлении пневмонии взрослых пациентов: Свид. о регистр. ПрЭВМ № 2025666788. Рос. Федерация, 2025.
23. Бердигулов А.Р., Хайруллина Д.И., Тумаков Д.Н., Бариев И.И. Программа для определения пневмонии по рентгеновским изображениям легких: Свид. о регистр. ПрЭВМ № 2025680132. Рос. Федерация, 2025.
24. Акинин А.А., Абрамов М.С., Байдикова Е.И. и др. Нейросетевая идентификация болезней лёгких (туберкулёз и пневмония): Свид. о регистр. ПрЭВМ № 2025611799. Рос. Федерация, 2025.
25. «Пульмонист» – автоматическая диагностика заболеваний легких: Свид. о регистр. ПрЭВМ № 2023613498. Рос. Федерация, 2023, правообладатель: ООО «ЦИФРОВАЯ РЕАЛЬНОСТЬ».
26. Иванова Е.В., Шамраева Е.О. Программа для маркировки и фильтрации флюорограмм: Свид. о регистр. ПрЭВМ № 2025664335. Рос. Федерация, 2025.
27. Ахметшин А.А., Шахмаметова Г.Р., Степанова Е.С., Зулкарнеев Р.Х. Телемедицинский сервис распознавания типов пневмоний: Свид. о регистр. ПрЭВМ № 2022610630. Рос. Федерация, 2022.
28. Васильев Р.А., Амелин В.В., Мазитов Д.А. Нейросетевая модель по диагностике вирусной пневмонии на основании снимков КТ грудной клетки: Свид. о регистр. ПрЭВМ № 2023615205. Рос.Федерация, 2023.
29. Гончаров А.В., Ващенко Н.В., Брайловский Д.И. и др. CVL CT COVID-19: Свид. о регистр. ПрЭВМ № 2023616295. Рос.Федерация, 2023.
30. Duncan S.F., McConnachie A., Blackwood J. et al. Radiograph accelerated detection and identification of cancer in the lung (RADICAL): A mixed methods study to assess the clinical effectiveness and acceptability of Qure.ai artificial intelligence software to prioritise chest X-ray (CXR) interpretation. BMJ Open, 2024, vol. 14, no. 9, art. e081062. doi: 10.1136/bmjopen-2023-081062.

Список литературы

1. Jung, T., Vij, N. (2021) ‘Early diagnosis and real-time monitoring of regional lung function changes to prevent chronic obstructive pulmonary disease progression to severe emphysema’, J. Clin. Med., 10(24), art. 5811. doi: 10.3390/jcm10245811.

2. Balata, H., Quaife, S.L., Craiget, C. et al. (2022) ‘Early diagnosis and lung cancer screening’, Clinical Oncology, 34(11), pp. 708–715. doi: 10.1016/j.clon.2022.08.036.

3. Kwee, T.C., Kwee, R.M. (2021) ‘Workload of diagnostic radiologists in the foreseeable future based on recent scientific advances: Growth expectations and role of artificial intelligence’, Insights into Imaging, 12, art. 88. doi: 10.1186/s13244-021-01031-4.

4. Kasalak, Ö., Alnahwi, H., Toxopeus, R. et al. (2023) ‘Work overload and diagnostic errors in radiology’, European J. Radiology, 167, art. 111032. doi: 10.1016/j.ejrad.2023.111032.

5. Adams, S.J., Henderson, R.D.E., Yi, X., Babyn, P. (2020) ‘Artificial intelligence solutions for analysis of X-ray images’, CAR J., 72(1), pp. 60–72. doi: 10.1177/0846537120941671.

6. Nathani, A., Dincer, H.E. (2025) ‘Advancements in Imaging technologies for the diagnosis of lung cancer and other pulmonary diseases’, Diagnostics (Basel), 15(7), art. 826. doi: 10.3390/diagnostics15070826.

7. Zhou, Z., Qian, X., Hu, J., Chen, G. et al. (2023) ‘An artificial intelligence-assisted diagnosis modeling software (AIMS) platform based on medical images and machine learning: a development and validation study’, QIMS, 13(11), pp. 7504–7522. doi: 10.21037/qims-23-20.

8. Zinchenko, V., Chetverikov, S., Akhmad, E. et al. (2022) ‘Changes in software as a medical device based on artificial intelligence technologies’, IJCARS, 17, pp. 1969–1977. doi: 10.1007/s11548-022-02669-1.

9. Sanida, T., Sanida, M.V., Sideris, A., Dasygenis, M. (2024) ‘Enhancing pulmonary diagnosis in chest X-rays through generative AI techniques’, Multidisciplinary Scientific J., 7(3), pp. 302–318. doi: 10.3390/j7030017.

10. Tanguay, W., Acar, P., Fine, B. et al. (2022) ‘Assessment of radiology artificial intelligence software: A validation and evaluation framework’, CAR J., 74(2), pp. 326–333. doi: 10.1177/08465371221135760.

11. Ethan, D., Christe, A., Fontanellaz, M. et al. (2023) ‘Artificial intelligence and interstitial lung disease: Diagnosis and prognosis’, Investigative Radiology, 58(8), pp. 602–609. doi: 10.1097/RLI.0000000000000974.

12. Kanan, M., Alharbi, H., Alotaibi, N. et al. (2024) ‘AI-driven models for diagnosing and predicting outcomes in lung cancer: A systematic review and meta-analysis’, Cancers, 16(3), art. 674. doi: 10.3390/cancers16030674.

13. Morozov, S.P., Vladzimirsky, A.V., Ledikhova, N.V. et al. (2018) ‘Evaluation of the diagnostic accuracy of the pulmonary tuberculosis screening system based on artificial intelligence’, Tuberculosis and Lung Diseases, 96(8), pp. 42–47 (in Russ.). doi: 10.21292/2075-1230-2018-96-8-42-49.

14. Borodulina, E.A., Gogoberidze, Yu.T., Prosvirkin, I.A. et al. (2025) ‘Evaluation of the effectiveness of using artificial intelligence technologies for screening of lung diseases in a municipal hospital’, Siberian J. of Clinical and Experimental Medicine, 40(1), pp. 209–217 (in Russ.). doi: 10.29001/2073-8552-2025-40-1-209-217.

15. Ovakimyan, A.A. (2024) Pneumonia Recognition Program Based on Neural Networks, Pat. RF, № 2024690430.

16. Ilinykh, V.A., Safronova, I.V., Ilinykh, M.A. et al. (2024) Artificial Intelligence Model for the Diagnosis of Pneumonia in Children’s Chest X-rays, Pat. RF, № 2024684207.

17. Shashkov, O.V., Popova, O.G., Pashkova, Yu.A. (2021) Artificial Intelligence Computer System for Diagnosis of Pneumonia based on Chest X-ray Analysis, Pat. RF, № 2021619055.

18. Antonov, V.N., Markina, N.V., Belenkova, E.I. et al. (2023) Software for Pneumonia Detection in Chest X-Rays Utilizing Convolutional Neural Networks, Pat. RF, № 2023619898.

19. Shurshev, T.V. (2023) Convolutional Neural Network for the Diagnosis of Pneumonia, Pat. RF, № 2023661538.

20. Krivonogov, L.Yu., Inomboev, I.S. (2024) Software for Detecting Signs of COVID-19-Induced Pneumonia on Chest X-Ray Images, Pat. RF, № 2024616745.

21. Kiselev, S.A. (2021) Mathematical Model for Pneumonia Region Segmentation Through Deep Neural Network Object Detection, Pat. RF, № 2021660862.

22. Tagirova, L.F., Chernoprudova, E.N., Sobolev, Ya.O. et al. (2025) Adult Pneumonia Decision Support Software System, Pat. RF, № 2025666788.

23. Berdigulov, A.R., Khayrullina, D.I., Tumakov, D.N., Bariev, I.I. (2025) Program for Detecting Pneumonia from Lung X-ray Images, Pat. RF, № 2025680132.

24. Akinin, A.A., Abramov, M.S., Baydikova, S.A. et al. (2025) Neuronetary Identification of Lung Diseases (Tuberculosis and Pneumonia), Pat. RF, № 2025611799.

25. "Pulmonist" – Automated Lung Disease Diagnostics (2023) Pat. RF, № 2023613498. Rightholder: Digital Reality LLC.

26. Ivanova, E.V., Shamraeva, E.O. (2025) Software for Labeling and Filtering Fluorograms, Pat. RF, № 2025664335.

27. Akhmetshin, A.A., Shakhmametova, G.R., Stepanova, E.S., Zulkarneev, R.Kh. (2022) Telemedicine Pneumonia Type Recognition Service, Pat. RF, № 2022610630.

28. Vasilev, R.A., Amelin, V.V., Mazitov, D.A. (2023) Neural Network Model for Diagnosing Viral Pneumonia from Chest CT Scans, Pat. RF, № 2023615205.

29. Goncharov, A.V., Vaschenko, N.V., Braylovskiy, D.I. et al. (2023) CVL CT COVID-19, Pat. RF, № 2023616295.

30. Duncan, S.F., McConnachie, A., Blackwood, J. et al. (2024) ‘Radiograph accelerated detection and identification of cancer in the lung (RADICAL): A mixed methods study to assess the clinical effectiveness and acceptability of Qure.ai artificial intelligence software to prioritise chest X-ray (CXR) interpretation’, BMJ Open, 14(9), art. e081062. doi: 10.1136/bmjopen-2023-081062.