# Презентация: AI-сервис оценки качества DXA исследований

## Слайд 1: Титульный слайд

**Заголовок:** DXA Quality Assessment  
**Подзаголовок:** AI-сервис автоматизированной оценки качества денситометрических исследований  
**Автор:** Грачев Денис  
**Дата:** Сентябрь 2026

---

## Слайд 2: Проблема

**Заголовок:** Почему это важно?

**Ключевые тезисы:**
- До 20% исследований требуют повторного проведения из-за нарушений стандартов качества
- Рентгенологи тратят значительное время на ручную проверку
- Некачественные исследования приводят к ошибкам в диагностике остеопороза

**Проблема:** Нет автоматизированного инструмента для экспресс-оценки качества DXA исследований

---

## Слайд 3: Решение

**Заголовок:** Наше решение

**Что мы построили:**
- AI-сервис для автоматического анализа DICOM изображений
- Оценка качества по трём критериям: позиционирование, артефакты, контраст
- Бинарная классификация: OK / Нарушение
- Интеграция через REST API и web-интерфейс

**Результат:** Мгновенная оценка качества с точностью до 84%

---

## Слайд 4: Технический стек

**Заголовок:** Технологии

| Компонент | Технология |
|-----------|------------|
| Backend | Python 3.10, FastAPI |
| ML | PyTorch 2.1, ResNet18 |
| Обработка изображений | PIL, OpenCV |
| Медицинские форматы | pydicom |
| Данные | pandas, openpyxl |
| Контейнеризация | Docker |

---

## Слайд 5: Архитектура

**Заголовок:** Как это работает

```
[Пользователь] → [Web UI / API] → [FastAPI Server] → [PyTorch Model]
                                    ↓
                              [Excel Отчёт]
```

**Поток данных:**
1. Загрузка DICOM файла
2. Предобработка изображения (224×224, RGB)
3. Инференс модели (ResNet18)
4. Классификация (OK / Violation)
5. Формирование отчёта

---

## Слайд 6: Модель

**Заголовок:** ML-модель

**Архитектура:**
- ResNet18 (pretrained ImageNet)
- Fine-tuning под задачу бинарной классификации
- Вход: 224×224 RGB изображения
- Выход: вероятности классов [OK, Violation]

**Обучение:**
- Датасет: 100 исследований (499 DICOM)
- Разделение: 80/20 (train/val)
- Loss: CrossEntropyLoss
- Оптимизатор: AdamW

---

## Слайд 7: Результаты

**Заголовок:** Метрики

| Метрика | Значение |
|---------|----------|
| Accuracy | **84%** |
| Precision | 35% |
| Recall | 22% |
| F1 Score | 27% |

**Анализ:**
- Дисбаланс классов (65% OK / 35% Violation)
- Ограниченный объём данных
- F1 можно значительно улучшить с балансировкой

---

## Слайд 8: Демонстрация

**Заголовок:** Давайте посмотрим

**Сценарий:**
1. Открываем web-интерфейс
2. Загружаем DICOM файл
3. Получаем результат:
   - Анатомический регион: spine
   - Качество: OK
   - Уверенность: 89%

**Или через API:**
```bash
curl -X POST /api/v1/analyze -F "file=@study.dcm"
```

---

## Слайд 9: Ограничения

**Заголовок:** Текущие ограничения

- ⚠️ Датасет: только 100 исследований
- ⚠️дисбаланс классов влияет на F1
- ⚠️ Бинарная классификация (не детализировано)
- ⚠️ Требуется больше эпох обучения

**Что нужно для production:**
- 500+ исследований
- Детальная разметка по типам нарушений
- Дополнительная аугментация

---

## Слайд 10: Перспективы

**Заголовок:** Планы развития

**Ближайшие:**
- [ ] Увеличить датасет до 500 исследований
- [ ] Добавить многоклассовую классификацию (тип нарушения)
- [ ] Внедрить weighted loss для балансировки
- [ ] Аугментация данных

**Среднесрочные:**
- [ ] Сегментация анатомических структур
- [ ] Интеграция с PACS
- [ ] Real-time мониторинг

---

## Слайд 11: Бизнес-ценность

**Заголовок:** Почему это нужно медицине?

| Параметр | До | После |
|----------|-----|-------|
| Время проверки | 30-60 сек | <1 сек |
| Повторные исследования | 15-20% | ~5% |
| Стандартизация | Ручная | Автоматическая |

**ROI:**
- Экономия времени рентгенологов
- Снижение лучевой нагрузки на пациентов
- Повышение качества диагностики

---

## Слайд 12: Контакты

**Заголовок:** Спасибо за внимание!

**Автор:** Грачев Денис  
**Email:** denis@example.com  
**Telegram:** @oxydencher  
**GitHub:** [ссылка на репозиторий]

**Демо:** http://localhost:8000

---

## Notes для спикера

### Общие советы

1. **Начните с проблемы** — аудитория должна понять, зачем это нужно
2. **Покажите реальный пример** — демонстрация важнее слайдов
3. **Будьте честны об ограничениях** — это вызывает доверие
4. **Завершите призывом к действию** — что вы хотите от аудитории?

### Ответы на возможные вопросы

**Q: Почему такой низкий F1?**
A: Дисбаланс классов (65/35) + мало данных. С балансировкой ожидаем F1 > 0.6

**Q: Как определяется анатомический регион?**
A: Пока по размеру изображения (эвристика). В планах — отдельный классификатор

**Q: Это заменяет рентгенолога?**
A: Нет, это инструмент помощи, а не замены. Врач принимает最终ное решение

**Q: Как получить больше данных?**
A: Партнёрство с клиниками, этические согласования, анонимизация