Автоматическое измерение длины кишечника по КТ: как оркестрация ИИ-пайплайна сократила время анализа на 85%

"Нам не нужны еще 40 минут ручной разметки. Нам нужен точный, воспроизводимый результат, который я могу получить до начала консультации пациента."

Клинический контекст и проблема

В практике абдоминальной хирургии, бариатрии и онкологии точная оценка протяженности тонкой и толстой кишки — критический параметр. Планирование резекций при болезни Крона, оценка риска синдрома короткой кишки или выбор тактики при мезентериальной ишемии требуют понимания анатомической протяженности органа.

Традиционный протокол в PACS-системах подразумевает ручное или полуавтоматическое трассирование центральной линии на каждом срезе. Что это означает на практике?

• Временные затраты: 35–60 минут на одно исследование (300–500 срезов).
• Субъективная ошибка: 12–20% вариативности между разными рентгенологами.
• Анатомические ограничения: Петли кишечника часто слипаются, извиваются в 3D-пространстве, а стандартные 2D-инструменты PACS не учитывают реальную пространственную кривизну.

Мы пробовали использовать базовые AI-инструменты. Большинство из них либо требуют ручного проставления seed-точек, либо выдают только bounding box, что неприемлемо для расчета линейных метрик. Мультимодальные модели (например, Medigemma) отлично описывают снимок текстом, но не генерируют воксельные маски. Нам нужен был не чат-бот, а инженерный пайплайн.

Как Предиктор Икс решил задачу

Вместо того чтобы нанимать data-science команду для написания кода с нуля, мы сформулировали клиническое требование на платформе Предиктор Икс. Платформа выступила в роли ИИ-оркестратора: она перевела медицинский запрос в техническую спецификацию, подобрала валидированные open-source компоненты, сгенерировала воспроизводимый скрипт и развернула его в изолированном GPU-окружении Google Colab.

Проведение исследования предметной области

1. Изучение предметной области
2. Выработка гипотез решений
3. Проверка и отсев неподходящих или ложных гипотез, ранжирование оставшихся
4. Выработка плана реализации решения-победителя, после подтверждения человеком-специалистом.
5. Отчёт в формате PDF для распечатки и валидации методологии врачами смежных специальностей

Логика решения, предложенная платформой:

1. Входные данные: Серия DICOM-файлов КТ брюшной полости с контрастом.
2. Сегментация: Zero-shot инференс модели TotalSegmentator (архитектура nnU-Net), обученной на >1200 КТ-исследованиях. Модель выделяет 104 анатомические структуры без дообучения.
3. Постобработка: Объединение классов small_bowel и large_bowel в единую бинарную 3D-маску. Морфологическая очистка от артефактов.
4. Геометрический расчет: 3D-скелетизация (skeletonize_3d) для извлечения центральной линии (centerline). Перевод воксельных координат в миллиметры с учетом PixelSpacing и SliceThickness из DICOM-хедеров.
5. Результат: Числовое значение длины (см/м) + визуализация трассированной линии в 3D-вьювере.

Технический стек и пайплайн (под капотом)

Развернуть архитектуру пайплайна

Этап	Библиотека / Модель	Назначение
DICOM Parsing	pydicom, SimpleITK	Чтение серии, сортировка по SliceLocation, извлечение метаданных
3D Inference	TotalSegmentator (nnU-Net)	Сегментация всех органов брюшной полости из коробки
Mask Processing	numpy, scipy.ndimage	Объединение классов, удаление шумов, заполнение разрывов
Centerline Extraction	scikit-image.morphology.skeletonize_3d	Топологически корректное истончение до 1-воксельной линии
Metric Calculation	numpy (векторизация)	Евклидово суммирование расстояний с учетом анизотропии вокселя
Runtime	Google Colab (GPU T4/A100)	Ускоренный инференс (< 2 мин на объем)

Примечание: Платформа автоматически сгенерировала wrapper-скрипт на Python, который принимает ZIP/DICOM-директорию, выполняет весь пайплайн и возвращает JSON-отчет с метриками и ссылками на результаты. Так же были написаны автотесты для проверки пограничных кейсов.

Клинические результаты и метрики

После интеграции пайплайна в исследовательскую практику были зафиксированы следующие показатели:

• Время на исследование: Снижено с ~45 мин до 1.5–2.5 мин (включая загрузку и рендеринг).
• Точность измерения: Расхождение с консенсусом двух старших рентгенологов составило < 4.2% (в пределах межоператорной вариабельности).
• Сегментационная точность: DSC для кишечных структур достиг 0.91–0.93, что соответствует уровню экспертной разметки.
• Воспроизводимость: 100% детерминированность результата при повторном запуске на тех же данных.

Почему это сработало без Data Science команды?

Ключевой инсайт: врачи не должны писать код. Платформа Предиктор Икс взяла на себя:

1. Валидацию архитектурного выбора: Отсекла нежизнеспособные варианты (prompt-based SAM2, LLM-анализ) в пользу специализированных medical-vision моделей.
2. Оркестрацию зависимостей: Автоматически разрешила конфликты версий numpy, pytorch и SimpleITK в Colab-окружении.
3. Гарантию безопасности: Все вычисления выполнялись в изолированной сессии. DICOM-данные не покидали защищенный контур обработки.

Что дальше?

Текущий пайплайн решает задачу измерения суммарной длины. В рамках следующего спринта на Предиктор Икс возможно:

• Добавить раздельный расчет для тонкой и толстой кишки.
• Интегрировать расчет кривизны и диаметра просвета.
• Подключить пайплайн к локальному PACS через DICOMweb API для trigger-based обработки.

Хотите так же превратить клиническую гипотезу в работающий ИИ-пайплайн за часы, а не месяцы?