СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

Онкогематология сталкивается с растущей нагрузкой на диагностические лаборатории

из-за роста заболеваемости и высокой трудоемкости морфологического анализа. Традиционная микроскопия характеризуется субъективностью интерпретации, межлабораторной вариабельностью и дефицитом узких специалистов, что негативно сказывается на качестве диагностики. Одной из ключевых проблем внедрения искусственного интеллекта в клиническую практику остается нехватка стандартизированных, качественно аннотированных данных и слабая интеграция с лабораторными информационными системами. В работе представлена интеллектуальная система анализа данных – модульный аппаратно-программный комплекс для анализа биомедицинских изображений, охватывающий полный цикл обработки: от загрузки изображений до формирования диагностических выводов. Система включает модули предобработки, сегментации и классификации клеток на основе гибридных архитектур глубоких нейронных сетей, извлечения морфометрических, текстурных и фрактальных признаков, а также интерактивную платформу аннотирования с поддержкой подхода «человек в цикле» (human-in-the-loop). Реализованы контроль качества разметки, версионность аннотаций, автоматический расчет коэффициентов согласия между экспертами и интеграция с внешними системами через API. Система обеспечивает ролевой доступ, деидентификацию данных и совместную работу врачей-морфологов и инженеров (специалистов по машинному обучению и разработке ИИ-систем), что способствует формированию репрезентативных и стандартизированных обучающих выборок.

Система интегрирована с внешними источниками данных, что обеспечивает взаимодействие с автоматическими сканерами, открытыми репозиториями и медицинскими информационными системами. Экспериментальные исследования продемонстрировали высокую точность сегментации (Dice-коэффициент = 0,91 – стандартная метрика качества сегментации) и классификации (F1 = 0,88), а также сокращение времени на первичный анализ и аннотирование на 60…70 %. Предложенное решение способствует стандартизации, повышению объективности и воспроизводимости морфологической диагностики и может служить основой для построения единой цифровой экосистемы в онкогематологии.

Application of artificial intelligence in laboratory hematology: advances, challenges, and prospects / H. Liao, F. Zhang, F. Chen, Y. Li, Y. Sun, D.D. Sloboda, Q. Zheng, B. Ying, T. Hu // Acta Pharmaceutica Sinica B. – 2025. – Vol. 15 (11). – P. 5702–5733. – DOI: 10.1016/j.apsb.2025.05.036.

An overview and a roadmap for artificial intelligence in hematology and oncology / W. Rösler, M. Altenbuchinger, B. Baeßler, T. Beissbarth, G. Beutel, R. Bock, N. von Bubnoff, J.-N. Eckardt, S. Foersch, C.M.L. Loeffler, J.M. Middeke, M.-L. Mueller, T. Oellerich, B. Risse, A. Scherag, C. Schliemann, M. Scholz, R. Spang, C. Thielscher, I. Tsoukakis, J.N. Kather // Journal of Cancer Research and Clinical Oncology. – 2023. – Vol. 149 (10). – P. 7997–8006. – DOI: 10.1007/s00432-023-04667-5.

Machine learning and artificial intelligence in haematology / R. Shouval, J.A. Fein, B. Savani, M. Mohty, A. Nagler // British Journal of Haematology. – 2020. – Vol. 192. – DOI: 10.1111/bjh.16915.

Machine learning in detection and classification of leukemia using smear blood images: a systematic review / M. Ghaderzadeh, F. Asadi, A. Hosseini, D. Bashash, H. Abolghasemi, A. Roshanpour // Scientific Programming. – 2021. – P. 9933481. – DOI: 10.1155/2021/9933481.

A guide to deep learning in healthcare / A. Esteva, A. Robicquet, B. Ramsundar, V. Kuleshov, M. DePristo, K. Chou, C. Cui, G. Corrado, S. Thrun, J. Dean // Nature Medicine. – 2019. – Vol. 25. – P. 24–29. – DOI: 10.1038/s41591-018-0316-z.

A survey on deep learning in medical image analysis / G. Litjens, T. Kooi, B.E. Bejnordi, A.A.A. Setio, F. Ciompi, M. Ghafoorian, J.A.W.M. van der Laak, B. van Ginneken, C.I. Sánchez // Medical Image Analysis. – 2017. – Vol. 42. – P. 60–88. – DOI: 10.1016/j.media.2017.07.005.

Lewis J.E., Pozdnyakova O. Digital assessment of peripheral blood and bone marrow aspirate smears // International Journal of Laboratory Hematology. – 2023. – Vol. 45. – P. 47–55. – DOI: 10.1111/ijlh.14082.

A large-scale multi domain leukemia dataset for the white blood cells detection with morphological attributes for explainability / A. Rehman, T. Meraj, A.M. Minhas, A. Imran, M. Ali, W. Sultani // Medical Image Computing and Computer Assisted Intervention – MICCAI 2024. – Cham: Springer, 2024. – P. 553–563. – DOI: 10.1007/978-3-031-72384-1_52.

QuPath: Open source software for digital pathology image analysis / P. Bankhead, M.B. Loughrey, J.A. Fernández, Y. Dombrowski, D.G. McArt, P.D. Dunne, S. McQuaid, R.T. Gray, L.J. Murray, H.G. Coleman, J.A. James, M. Salto-Tellez, P.W. Hamilton // Scientific Reports. – 2017. – Vol. 7. – P. 16878. – DOI: 10.1038/s41598-017-17204-5.

A review of the automated detection and classification of acute leukaemia: coherent taxonomy, datasets, validation and performance measurements / M.A. Alsalem, A.A. Zaidan, B.B. Zaidan, M. Hashim, H.T. Madhloom, N.D. Azeez, S. Alsyisuf // Computer Methods and Programs in Biomedicine. – 2018. – Vol. 158. – P. 93–112. – DOI: 10.1016/j.cmpb.2018.02.005.

Topol E.J. High-performance medicine: the convergence of human and artificial intelligence // Nature Medicine. – 2019. – Vol. 25. – P. 44–56. – DOI: 10.1038/s41591-018-0300-7.

Artificial intelligence in hematology / A. Nazha, O. Elemento, S. Ahuja, B. Lam, M. Miles, R. Shouval, S. McWeeney, S. Sirhan, A. Srisuwananukorn, T. Haferlach // Blood. – 2025. – Vol. 146 (19). – P. 2283–2292. – DOI: 10.1182/blood.2025029876.

Wilm F.E. Cross-domain generalization of deep learning-based image analysis algorithms in histopathology: Dissertation. – Friedrich-Alexander-Universität Erlangen-Nürnberg, Germany, 2025.

Validating whole slide imaging for diagnostic purposes in pathology / L. Pantanowitz, J.H. Sinard, W.H. Henricks, L.A. Fatheree, A.B. Carter, L. Contis, B.A. Beckwith, A.J. Evans, A. Lal, A.V. Parwani // Archives of Pathology & Laboratory Medicine. – 2013. – Vol. 137. – P. 1710–1722. – DOI: 10.5858/arpa.2013-0093-CP.

European Society of Radiology (ESR). Methodology for ESR iGuide content // Insights into Imaging. – 2019. – Vol. 10 (1). – P. 32. – PMID: 30868370; PMCID: PMC6419665. – DOI: 10.1186/s13244-019-0720-z.

Farahani N., Parwani A.V., Pantanowitz L. Whole slide imaging in pathology: advantages, limitations, and emerging perspectives // Pathology and Laboratory Medicine International. – 2015. – Vol. 7. – P. 23–33. – DOI: 10.2147/PLMI.S59826.

Hover-Net: simultaneous segmentation and classification of nuclei in multi-tissue histology images / S. Graham, Q.D. Vu, S.E.A. Raza, A. Azam, Y.W. Tsang, J.T. Kwak, N. Rajpoot // Medical Image Analysis. – 2019. – Vol. 58. – P. 101563. – DOI: 10.1016/j.media.2019.101563.

Fine-grained imbalanced leukocyte classification with global-local attention transformer / B. Chen, F. Qin, Y. Shao, J. Cao, Y. Peng, R. Ge // Journal of King Saud University – Computer and Information Sciences. – 2023. – Vol. 35 (8). – P. 101661. – DOI: 10.1016/j.jksuci.2023.101661.

SliDL: A toolbox for processing whole-slide images in deep learning / A.G. Berman, W.R. Orchard, M. Gehrung, F. Markowetz // PLoS ONE. – 2023. – Vol. 18. – P. e0289499. – DOI: 10.1371/journal.pone.0289499.

Cohen J. A coefficient of agreement for nominal scales // Educational and Psychological Measurement. – 1960. – Vol. 20 (1). – P. 37–46. – DOI: 10.1177/001316446002000104.

Система аннотирования биомедицинских изображений на основе интернеттехнологий в онкогематологии / В.В. Дмитриева, Я.А. Магманова, В.И. Цыпляк, Е.В. Поляков // International Journal of Open Information Technologies. – 2025. – Т. 13, № 3. – С. 52–57.

Исследование одноэтапной нейронной сети глубокого обучения для анализа биомедицинских изображений / Е.В. Поляков, В.В. Дмитриева, Е.В. Шувалова, Н.А. Филатова, О.П. Колбацкая, И.А. Климанов // Фундаментальные и прикладные проблемы техники и технологии. – 2025. – Т. 371, № 3. – С. 118–125.

Kouzehkanan, Z.M., Saghari, S., Tavakoli, S., Rostami, P., Abaszadeh, M., Mirzadeh, F., Shahabi Satlsar, E., Gheidishahran, M., Gorgi, F., Mohammadi, S., & Hosseini, R. A Large dataset of white blood cells containing cell locations and types, along with segmented nuclei and cytoplasm / Z.M. Kouzehkanan, S. Saghari, S. Tavakoli, P. Rostami, M. Abaszadeh, F. Mirzadeh, E.S. Satlsar, M. Gheidishahran, F. Gorgi, S. Mohammadi, R. Hosseini // Scientific Reports. – 2022. – Vol. 12. – P. 1123. – DOI: 10.1038/s41598-021-04426-x.

Tsutsui S., Pang W., Wen B. WBCAtt: a white blood cell dataset annotated with detailed morphological attributes // arXiv. 2023. – arXiv:2306.13531.

End-to-end object detection with transformers / N. Carion, F. Massa, G. Synnaeve, N. Usunier, A. Kirillov, S. Zagoruyko // Computer Vision – ECCV 2020. – Cham: Springer, 2020. – P. 213–229. – (Lecture Notes in Computer Science; vol. 12346). – DOI: 10.1007/978-3-030-58452-8_13.

Deformable DETR: deformable transformers for end-to-end object detection / X. Zhu, W. Su, L. Lu, B. Li, X. Wang, J. Dai // ICLR 2021 Conference Paper. – DOI: 10.48550/arXiv.2010.04159.

Causability and explainability of artificial intelligence in medicine / A. Holzinger, G. Langs, H. Denk, K. Zatloukal, H. Müller // WIREs Data Mining and Knowledge Discovery. – 2019. – Vol. 9 (4). – P. e1312. – DOI: 10.1002/widm.1312.

Поляков Е.В., Дмитриева В.В. Система анализа текстуры биомедицинских изображений // Модели, системы, сети в экономике, технике, природе и обществе. – 2025. – № 2. – С. 85–94.

Whole slide image representation in bone marrow cytology / Y. Mu, H.R. Tizhoosh, T. Dehkharghanian, C.J. Campbell // bioRxiv. 2022. – DOI: 10.1101/2022.12.06.519318.

Grad-CAM: visual explanations from deep networks via gradient-based localization / R.R. Selvaraju, M. Cogswell, A. Das, R. Vedantam, D. Parikh, D. Batra // Proceedings of the IEEE International Conference on Computer Vision (ICCV). – IEEE, 2017. – P. 618–626. – DOI: 10.1109/ICCV.2017.74.

Ribeiro M.T., Singh S., Guestrin C. "Why Should I Trust You?": Explaining the predictions of any classifier // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. – ACM, 2016. – P. 1135–1144. – DOI: 10.1145/2939672.2939778.

Haralick R.M., Shanmugam K., Dinstein I. Textural features for image classification // IEEE Transactions on Systems, Man, and Cybernetics. – 1973. – Vol. SMC-3 (6). – P. 610–621. – DOI: 10.1109/TSMC.1973.4309314.

Costa L. da F., Cesar R.M. Shape classification and analysis: theory and practice. – 2nd ed. – CRC Press, 2009.

34. Ronneberger O., Fischer P., Brox T. U-Net: convolutional networks for biomedical image segmentation // Medical Image Computing and Computer Assisted Intervention – MICCAI 2015. Pt. 3. – Cham: Springer, 2015. – P. 234–241. – DOI: 10.1007/978-3-319-24574-4_28.

Deep residual learning for image recognition / K. He, X. Zhang, S. Ren, J. Sun // 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – IEEE, 2016. – P. 770–778. – DOI: 10.1109/CVPR.2016.90.

Settles B. Active learning. – Springer, 2012. – 114 p. – (Synthesis Lectures on Artificial Intelligence and Machine Learning). – DOI: 10.2200/S00429ED1V01Y201207AIM018.