hackaton_2026_4/bone_2026
hackaton_2026_4
/
bone_2026
5
0
Fork 1
Code Pull Requests Packages Projects Releases Wiki Activity
bone_2026/docs/slides-notes.md

7.4 KiB
Raw Blame History

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:

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