Скачать электронную версию статьи (в свободном доступе).
Внедрение технологий машинного обучения, в частности нейронных сетей, в медицину значительно изменило подходы к диагностике и
лечению различных заболеваний. Одной из наиболее перспективных областей является лучевая терапия (ЛТ), где автоматизация процессов
может существенно повысить точность и эффективность лечения. Автооконтуривание, выполняемое посредством автоматизированного определения
целевых объемов мишеней и критических органов на основе нейронных сетей, может заменить традиционное оконтуривание в ручном режиме
врачами-радиотерапевтами. Такой подход позволяет не только снизить временные затраты на обработку медицинских изображений, но и уменьшить
риск возникновения ошибок, обусловленных человеческим фактором, при повышении качества планирования лечения.
Введение технологий искусственного интеллекта (ИИ) в процесс оконтуривания представляет собой многообещающее направление,
способствующее повышению точности и эффективности лучевой терапии. В данной статье рассматривается методика создания базы данных
для разработки и верификации моделей машинного обучения для автоматизации процесса оконтуривания
мишени (опухоли или ложа опухоли) и критических органов. Решен ряд задач, включая анализ существующих проблем оконтуривания,
сбор данных для обзора литературы по методам ИИ и для обучения нейросетей и интеграцию технологий в клиническую практику.
Ключевые слова: онкологические заболевания, лучевая терапия, искусственный интеллект, оконтуривание мишеней, модель машинного обучения, клиническая практика
In recent years, the introduction of machine learning technologies, in particular neural networks, into medicine has significantly
changed approaches to the diagnosis and treatment of various diseases. One of the most promising areas is radiation therapy (RT),
where process automation can significantly improve the accuracy and efficiency of treatment. The possibility of introducing neural network-based
autocontouring into the practice of LT to automatically determine the contours of target radiation exposure, which was traditionally performed
manually by radiotherapists, can become an automatic process. This approach not only reduces time spent on processing medical images,
but also reduces the risk of human error, improving the quality of treatment planning.
The introduction of artificial intelligence (AI) technologies into the delineation process represents a
promising direction to improve the accuracy and efficiency of radiation therapy. This paper discusses a
database methodology for developing and verifying machine learning models that will automate the delineation process of tumor
structures and critical organs. A number of tasks are proposed, including
analyzing existing delineation problems, writing a literature review on AI methods, collecting data for
training neural networks, and integrating the technology into clinical practice.
Key words: oncological diseases, radiation therapy, artificial intelligence, contouring, machine learning model, clinical practice
DOI: 10.52775/1810-200X-2025-106-2-79-91