Интеллектуальная поддержка принятия врачебных решений при диагностике черепно-мозговых травм

В статье описан авторский подход к поддержке принятия врачебных решений при диагностических исследованиях черепно-мозговых травм (ЧМТ). Рассмотрены причины и механизм появления травм. Проведена классификация по различным признакам и разработана онтологическая модель предметной области. На основе системного подхода проведена декомпозиция процесса диагностики ЧМТ. Выделены подсистемы и элементы, основные информационные потоки, определены и структурированы связи между ними. Проанализированы параметры, по которым проводят оценку степени тяжести полученной травмы. Проведен обзор известных литературных источников, посвященных применению современных медицинских аппаратов при диагностике ЧМТ: компьютерные томографы (КТ), магнито-резонансные томографы (МРТ), рентгеновские аппараты и др. Рассмотрены математические методы и специализированное программное обеспечение, используемые для обработки первичной диагностической информации. Показано, что современные системы анализа медицинских изображений обучают на размеченных наборах данных. В работе приведен анализ методов для распознавания КТ- и МРТ-изображений и снимков с рентгеновских аппаратов. Рассмотрена возможность и необходимость применения и внедрения различных прототипов и уже апробированных аппаратно-программных медицинских комплексов для диагностики ЧМТ с использованием алгоритмов искусственного интеллекта, компьютерного зрения и нейросетевых технологий. Интеграция апробированных аппаратно-программных медицинских комплексов и перечисленных современных технологий в здравоохранение требует четкого регулирования, стандартизации и соблюдения этических принципов. Основой для их внедрения как ключевого инструмента цифровой трансформации является государственный стандарт для систем искусственного интеллекта в сфере здравоохранения. Государственный стандарт призван обеспечить безопасность пациентов, высокий стандарт медицинских услуг и минимизировать риски ошибок или злоупотребление нейросетями.

1. Коробова Л.А., Эйнуллаев Т.А.О., Тэн Р.В. Системный подход при решении прикладных медицинских диагностических задач. Моделирование систем и процессов. 2024;17(3):52–61. https://doi.org/10.12737/2219-0767-2024-50-59

2. Наркевич А.Н., Виноградов К.А., Параскевопуло К.М., Мамедов Т.Х. Интеллектуальные методы анализа данных в биомедицинских исследованиях: сверточные нейронные сети. Экология человека. 2021;28(5):53–64. https://doi.org/10.33396/1728-0869-2021-5-53-64

3. Порецкова Г.Ю., Иващенко А.В., Тяжева А.А., Плахотникова С.В., Жданович Г.Э., Чекина Е.В. Онтологический подход к цифровизации медицинских осмотров и диспансерного наблюдения на базе телемедицинской платформы. Онтология проектирования. 2025;15(2):187–197. https://doi.org/10.18287/2223-9537-2025-15-2-187-197

4. Грибова В.В., Петряева М.В., Окунь Д.Б., Шалфеева Е.А. Онтология медицинской диагностики для интеллектуальных систем поддержки принятия решений. Онтология проектирования. 2018;8(1):58–73.

5. Грибова В.В., Шалфеева Е.А., Окунь Д.Б., Шевченко О.Н. Онтологический комплекс представления знаний для реабилитации травматолого-ортопедических пациентов. Онтология проектирования. 2025;15(4):509–522. https://doi.org/10.18287/2223-9537-2025-15-4-509-522

6. Goncharov M., Soboleva E., Ignatyev D., et al. Modeling the Density of Pixel-level Self-supervised Embeddings for Unsupervised Pathology Segmentation in Medical CT. In: The Fourteenth International Conference on Learning Representations (ICLR 2026), 23–27 April 2026, Rio de Janeiro, Brazil. 2026. URL: https://proceedings.iclr.cc/paper_files/paper/2026/file/f404c0259def290306159047b0b52584-Paper-Conference.pdf

7. Коробова Л.А. Решение прикладных медицинских диагностических задач. Иридодиагностика. Известия Тульского государственного университета. Технические науки. 2024;(7):276–281.

8. Кийко А.А., Николаенко А.Н., Постников М.А. и др. Система поддержки принятия врачебных решений по выбору конструкции дентального имплантата с использованием машинного обучения. Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2026;16(1):174–188. https://doi.org/10.21869/2223-1536-2026-16-1-174-188

9. Алексеева М.Г., Зубов А.И., Новиков М.Ю. Искусственный интеллект в медицине. Международный научно-исследовательский журнал. 2022;(7):10–13. https://doi.org/10.23670/IRJ.2022.121.7.038

10. Ваньков В.В., Артемова О.Р., Карпов О.Э. и др. Итоги внедрения искусственного интеллекта в здравоохранении России. Врач и информационные технологии. 2024;(3):32–43. https://doi.org/10.25881/18110193_2024_3_32

11. Купатенко Я.Г., Мирук А.К., Ломоносова А.В., Козлова А.А. Искусственный интеллект в медицине: обзор текущей ситуации и тенденции. Cifra. Медико-биологические науки. 2024;(2). https://doi.org/10.60797/BMED.2024.2.4

12. Морозов Д.Ю., Омельяновский В.В., Федяева В.К. Искусственный интеллект в системе здравоохранения. Клинические рекомендации. Менеджер здравоохранения. 2025;(9):58–67. https://doi.org/10.21045/1811-0185-2025-9-58-67

13. Шарова Д.Е., Михайлова А.А., Гусев А.В., Гарбук С.В., Владзимирский А.В., Васильев Ю.А. Анализ мирового опыта в регулировании использования медицинских данных для целей создания систем искусственного интеллекта на основе машинного обучения. Врач и информационные технологии. 2022;(4):28–39. https://doi.org/10.25881/18110193_2022_4_28

14. Kukreja B.J., Kukreja P. Integration of Artificial Intelligence in dentistry: a systematic review of educational and clinical implications. Cureus. 2025;17(2):e79350. https://doi.org/10.7759/cureus.79350

15. Коробова Л.А., Головин А.И. Разработка виртуального консультанта для медицинского центра с использованием искусственного интеллекта. Инженерные технологии. 2024;(3):23–34.