Исследователи представили методику совместной работы человека и нейросетей для анализа медицинских изображений, в частности, сегментации легочных узлов. Основная проблема текущих систем заключается в дефиците квалифицированных радиологов, способных проверять результаты работы алгоритмов, а также в рисках слепого доверия автоматизированным решениям. Авторы работы предлагают модель взаимодействия, в которой ИИ-инструменты дополняются участием менее опытных специалистов или даже сотрудников без профильного медицинского образования для верификации данных.
В качестве базовой архитектуры для сегментации была протестирована модель Segment Anything Model (SAM). Несмотря на высокую универсальность SAM, её точность при работе со специфическими медицинскими снимками требует корректировки через человеческий контроль. Предложенный метод позволяет снизить нагрузку на экспертов высшего звена, делегируя первичную разметку и проверку ИИ-предсказаний младшему персоналу, что повышает общую надежность диагностики в клинических условиях.
Результаты исследования демонстрируют, что интеграция человеческого участия в контур обработки изображений позволяет достичь более стабильных показателей сегментации по сравнению с полностью автоматизированными системами. Такой подход открывает возможности для масштабирования диагностических процессов в медицинских учреждениях, где доступ к узкопрофильным специалистам ограничен, и создает основу для внедрения полуавтоматизированных систем поддержки принятия врачебных решений.