Исследователи и студенты МГУ имени М. В. Ломоносова представили новый подход к расширению обучающих выборок для ИИ-систем диагностики туберкулёза. Разработка направлена на одну из самых острых проблем медицинского компьютерного зрения — нехватку качественных данных и вариативность рентгеновских изображений, которая напрямую влияет на точность нейросетей.
Команда создала алгоритм Fast and Adaptive Bidimensional Empirical Mode Decomposition (FABEMD). Он генерирует дополнительный набор снимков, сохраняя значимые диагностические детали, но при этом варьируя структуру изображения. Такой подход позволяет моделям лучше адаптироваться к изменениям качества рентгеновских данных, которые зависят от конкретного аппарата, настроек и условий съёмки.
Профессор кафедры математической физики ВМК МГУ Андрей Крылов отметил, что использование FABEMD делает классификацию рентгеновских снимков не только точнее, но и стабильнее. Он пояснил, что для медицинских задач эта устойчивость критически важна, поскольку реальные клинические архивы часто ограничены по объёму и неоднородны по техническим параметрам.
Метод протестировали на международных открытых наборах данных, включая Montgomery, Shenzhen, TBX11K и Sakha-TB — коллекции, которые широко применяются для оценки качества ИИ-систем по диагностике туберкулёза. В университете сообщили, что добавление синтетических изображений заметно повысило точность моделей, особенно на сложных выборках, где данных недостаточно.
Разработчики подчёркивают, что FABEMD может быть востребован не только в исследованиях туберкулёза. Метод подходит для широкого спектра задач медицинского анализа изображений — от пульмонологии до офтальмологии и онкологии, где также ощущается хронический дефицит данных высокого качества.
Проект создан в рамках Междисциплинарной научно-образовательной школы «Мозг, когнитивные системы, искусственный интеллект» МГУ и продолжает направление, ориентированное на повышение надёжности и клинической применимости алгоритмов ИИ в здравоохранении.
