Radiology Coreader
AI-радиолог второго чтения: рентген / КТ / МРТ → multi-task детекция конкретных находок (узлы, переломы, кальцификация, инфильтраты) с bbox + сегментация. Результат — не «есть/нет рак», а DICOM-SR (Structured Report) в формате PACS, который радиолог принимает или правит за 1-2 минуты.
Радиолог в потоке делает 60-100 чтений в день. На каждом — фокус, концентрация, риск пропустить детали. Coreader даёт за 30 секунд второе мнение в виде размеченных bbox'ов и структурированного отчёта в DICOM-SR. Не заменяет радиолога — снимает риск пропуска на длинной смене и ускоряет рутинные нормальные чтения.
DICOM-SR — интегрируется в любой PACS без переобучения радиолога
Большинство AI-инструментов требуют отдельной web-консоли, что прерывает workflow. Coreader пишет результат обратно в PACS как DICOM Structured Report — радиолог открывает снимок в своём привычном viewer (Vidar, Onis, Centricity, RadiAnt) и видит AI-разметку как overlay, а отчёт — в стандартном SR-окне. Никаких новых окон, новых паролей, новых программ.
Пошаговая архитектура
DICOM-вход
Подключение к PACS через DICOM C-FIND / C-STORE. Поддержка стандартных форматов: CR, DX (рентген), CT, MR, MG (маммография).
Предобработка
Нормализация (window/level для КТ), resampling к ожидаемому spacing'у модели, body-part recognition для выбора правильной модели.
Multi-task inference
PyTorch-MONAI pipeline: detection (bbox), segmentation (masks для важных структур), classification (severity). Модели per body-part: chest CT, brain MR, wrist X-ray, mammography.
Report generation
Из обнаруженных находок — структурированный текст в RSNA-2024 standard: location, size, characteristics, BI-RADS / Lung-RADS / Fleischner-classification.
DICOM-SR export
Structured Report в SR-формате обратно в PACS. Радиолог открывает обычный viewer — видит свой снимок с overlay AI-разметки и текстовый отчёт.
Радиологический feedback
Каждое исправление радиолога (принять / отклонить / поправить bbox) логируется. Поведение модели на этих кейсах учитывается в следующем re-train.
Стек, который не запирает
PyTorch + MONAI (медицинский CV-framework) — стандарт для medical imaging
DenseNet-121 для chest X-ray (TorchXRayVision baseline), 3D-U-Net для CT segmentation
Backbone: ResNet-50 / EfficientNet-B4 для bbox detection
Pre-training на NLST, RSNA, MIMIC-CXR (открытые медицинские датасеты), fine-tune на ваших данных
DICOM-SR output через pydicom — стандарт для интеграции с любым PACS
Опциональная сертификация — Росздравнадзор реестр медизделий (для production-clinical use требуется)
Идеально для
- Диагностические центры с поток ≥100 чтений/день
- Стационары с круглосуточной рентгенологической службой
- Телерадиология: вторичное чтение для удалённых клиник
- Скрининговые программы (диспансеризация, мобильные комплексы)
Границы кейса
- Не ставит окончательный диагноз — это всегда радиолог
- Не заменяет первичное чтение в high-risk сценариях (онкология, инсульт)
- Не работает с легаси-форматами (плёнка, неотсканированный архив)
- Не подходит для специализированных модальностей (PET, SPECT) без отдельного обучения
Частые вопросы
Из коробки: chest X-ray (узлы, инфильтраты, переломы рёбер, pneumothorax), wrist/hand X-ray (переломы), low-dose chest CT (lung nodules), mammography (BI-RADS classification). Другие — custom-training за 8-16 недель.
Что ещё может пригодиться
Покажем на ваших данных
за 1-2 недели
Подключаемся к ограниченной выборке, разворачиваем PoC на ваших реальных кейсах. Оценка качества, точности и UX — на вашей специфике, не на наших красивых демо.