В потоке публикаций о разработке появился подробный разбор любительского, но методически аккуратного эксперимента: автор обучил свёрточную нейросеть находить внутричерепные кровоизлияния на срезах компьютерной томографии головы. Работа выполнена как исследовательский прототип на бесплатной видеокарте Tesla T4 в Google Colab, и автор отдельно оговаривает, что это не медицинское изделие и не основание для диагностики. Задача формулировалась не как замена врача, а как инструмент сортировки: поднять в очереди те исследования, которые стоит посмотреть первыми, и сократить время до просмотра подозрительного снимка. Дата публикации в исходном материале не указана, но отчёт содержит полный набор метрик, ограничений и открытых вопросов.

Набор данных взят из открытого источника на Kaggle — коллекции vbookshelf/computed-tomography-ct-images, лицензия приложена внутри архива. В выборке 82 пациента и 2501 срез, кровоизлияния присутствуют у 36 пациентов, размечено 318 срезов с кровоизлиянием и масками очагов, есть таблица типов кровоизлияний и отметок о переломах. Редких классов оказалось слишком мало — 24 среза с внутрижелудочковым кровоизлиянием и 18 с субарахноидальным, — поэтому многоклассовую модель автор не строил и ограничился бинарным вопросом о наличии кровоизлияния на срезе. Изображения сохранены в JPG в двух окнах, brain и bone, что является существенным ограничением: исходные значения в единицах Хаунсфилда уже преобразованы в яркость, и восстановить их из сжатых файлов нельзя. Третий канал получен растяжением контраста мозгового окна, поэтому называть вход «тремя окнами Хаунсфилда» было бы неверно — субдурального окна в наборе нет.

В основе модели лежит EfficientNet-B0 из библиотеки timm с размером входа 320 на 320 пикселей; обучение шло с бинарной кросс-энтропией и весом положительного класса, оптимизатором AdamW, расписанием OneCycle и смешанной точностью fp16. Двенадцать эпох одного фолда занимали около трёх минут на T4, что делает такие эксперименты доступными даже без собственного железа. Из-за взвешенной функции потерь выход модели не является откалиброванной вероятностью, поэтому порог 0,5 автор не рассматривал как клинически осмысленный, а сравнивал модели по AUC, AP и поведению в выбранных рабочих точках. Проверка организована через StratifiedGroupKFold на пять фолдов так, чтобы каждый пациент целиком попадал в один фолд: соседние срезы одного человека похожи, и случайное перемешивание дало бы красивую метрику за счёт узнавания пациента, а не патологии. Дополнительно автор не выбирал лучшую эпоху по валидации, подбирал пороги по четырём другим фолдам и считал доверительные интервалы бутстрепом по пациентам, а не по срезам.

Первый фолд дал AUC 0,963 и AP 0,859, и на этом можно было бы остановиться с гораздо более выигрышной историей. Однако после полной кросс-валидации итоговый AUC снизился до 0,931, а на остальных фолдах значения держались в диапазоне 0,92–0,94 при AP от 0,65 до 0,72. Отдельного внимания заслуживает результат bone_only: на костном окне, где мозг виден плохо, модель всё равно получила AUC 0,861 и AP 0,388 при доле положительных срезов 0,127. Автор проверил несколько объяснений и обнаружил, что кровоизлияние встречается в 62% срезов с переломом против 9% без него, но после исключения срезов с переломами AUC остался высоким — 0,923 у полной модели и 0,838 у bone_only. Классификатор, знающий только относительное положение среза внутри исследования и не видящий изображения, дал AUC 0,753, а при сравнении внутри одного уровня качество полной модели падало до 0,854 в середине исследования и поднималось до 0,933 в конце. Разность AUC полной модели и brain_only составила плюс 0,021 с доверительным интервалом от минус 0,002 до плюс 0,049, то есть включает ноль, и на 82 пациентах уверенно утверждать пользу костного окна нельзя.

При целевой полноте 95% по срезам специфичность составила 0,70–0,75, но на уровне пациентов этот ориентир не выдерживается: модели пропускают 2–3 пациентов из 36, а число ложных тревог доходит до 8–18 на 46 исследований без кровоизлияния. Именно поэтому автор смещает акцент с AUC на то, что происходит после выбора порога, и подчёркивает неравноценность ошибок: пропущенное кровоизлияние может иметь тяжёлые последствия, тогда как ложная тревога означает лишний пересмотр снимка, хотя при большом числе таких тревог нагрузка на врача тоже становится проблемой. Добавление сегментации почти не меняет AUC, зато поднимает AP с 0,70 до 0,80–0,83, а максимум тепловой карты чаще попадает в очаг — в 72% случаев против 54% у Grad-CAM. Для российского рынка такой отчёт важен прежде всего как напоминание о планке: клиническое применение потребует отдельной валидации и регистрации медицинского изделия в Росздравнадзоре, а учебный прототип на открытом наборе из 82 пациентов не может служить доказательством пригодности для диагностики.

Контекст здесь задают крупные открытые соревнования и корпуса вроде RSNA, где данные занимают сотни гигабайт и требуют принятия правил доступа, а также множество коммерческих систем поддержки принятия врачебных решений, которые проходят полноценную регуляторную проверку. На фоне таких решений скромный прототип выделяется не масштабом, а прозрачностью методики: разбиение по пациентам, отказ от выбора эпохи по валидации, подбор порога на других фолдах и бутстреп по пациентам — это ровно те практики, отсутствие которых чаще всего и создаёт завышенные метрики в медицинском машинном обучении. Открытым остаётся вопрос о происхождении сигнала в bone_only: среди гипотез автор называет остаточную видимость мягких тканей в JPG, особенности контура головы, различия в укладке и параметрах сканирования, но подчёркивает, что это предположения, а не результаты проверки. Дальнейшие шаги очевидны: нужен более крупный корпус с исходными данными в единицах Хаунсфилда, внешняя валидация на другом аппарате и в другой клинике, а также отдельная оценка того, сколько времени сортировка реально экономит врачу при приемлемом числе ложных тревог.