The Use of Artificial Intelligence in Ultrasound Diagnostics of Congenital Malformations of the Fetus: A Review

Full Text

Одной из актуальных проблем современного акушерства является выявление пороков развития плода путем совершенствования качества пренатальной ультразвуковой диагностики [1]. Несмотря на активное развитие современных методов медицинской визуализации, каждый третий случай младенческой смертности имеет различные варианты структурной или хромосомной патологии плода. Во многом это обусловлено субъективной интерпретацией получаемых ультразвуковых срезов и отсутствием единой методологии акушерского исследования. В последние годы ISUOG (International Society of ultrasound in obstetrics and gynecology) предпринимает активные шаги для стандартизации методологии исследования и повышения диагностической точности в выявлении врожденных пороков развития плода. И здесь существенную роль может сыграть применение новых компьютерных технологий в виде искусственного интеллекта (ИИ), а именно сверхточной нейросети (СНС) [2]. Искусственный интеллект (ИИ) — это способность компьютера выполнять задачи, для решения которых необходимы человеческие когнитивные функции, такие как обучение, мышление и решение проблем. Машинное обучение (МО) — это функция искусственного интеллекта, которая включает способности в виде обучения на основе различных данных и уже активно используется в области медицины для решения многих задач. Глубокое обучение (ГО), разновидность МО, имитирует человеческое мышление, объединяя простые функции рассуждения в глубокую структуру алгоритма для принятия сложных решений. И в настоящее время уже была показана работа подобных искусственных систем при анализе медицинских изображений, включая ультразвуковые снимки [3]. Особую актуальность приобретает диагностика врожденных аномалий сердечно-сосудистой системы, брюшной полости и центральной нервной системы (ЦНС) плода, поскольку многие патологии ассоциированы с хромосомными абберациями и приводят к глубокой инвалидизации рожденных детей. Автором Бокерия Е.Л. и соавт. В работе «Перинатальная кардиология: настоящее и будущее. Ч. I. Врожденные пороки сердца» приводятся статические данные о преобладании младенческой смертности в неонатальном периоде, составляя 60% от всех случаев смерти на первом году жизни [4]. При этом врожденные пороки развития (ВПР) занимают второе место среди различных причин младенческой смертности, из них врожденные аномалии сердечно-сосудистой системы составляют 47% (12,2 на 10 тыс. родившихся живыми). Летальный исход при данных врожденных патологиях чрезвычайно высок, к концу 1-й недели умирают 29% новорожденных, к 1-му месяцу – 42%, к 1-му году – 87% детей [5]. Согласно Морозову Д.А. и соавт. в работе «Маршрутизация новорожденных и беременных с плодами, имеющих врожденные пороки развития – атрезию пищевода, гастрошизис и диафрагмальные грыжи» важным остается качественная антенатальная диагностика врожденных пороков развития плода. В случае антенатального выявления врожденной аномалии пренатальный консилиум решает вопрос о предложении матери пролонгации или терминации беременности. По оперативным данным анализа 642 оперированных новорожденных с врожденными пороками развития из 56 субъектов Российской Федерации (проф. Д.О. Иванов, 2024), пренатальная диагностика пороков стала возможной в 46,7% (атрезия пищевода – в 25,2%; диафрагмальная грыжа – в 59,3%; гастрошизис – в 91,5%) наблюдений, что говорит о необходимости повышения качества пренатальной диагностики. Основным методом диагностики врожденных пороков развития плода является ультразвуковое исследование (УЗИ), которое позволяет получить высококачественное изображение анатомии головного мозга, элементов сердечно-сосудистой системы и брюшной системы, а также других органов плода, проследить за его нормальным ростом и развитием [6]. Новым решением совершенствования качества пренатальной диагностики врожденных структурных нарушений плода может стать применение искусственного интеллекта в ультразвуковом исследовании беременной женщины [7, 8]. В данном обзоре были проанализированы зарубежные и отечественные исследования о применении и внедрении искусственного интеллекта в пренатальную диагностику с целью выявления врожденных пороков развития плода.

Методология поиска данных

В ходе выполнения исследования был произведён поиск публикаций в поисковых системах PubMed, Google Scholar и eLibrary. Данный процесс осуществлялся с помощью ключевых слов на русском и английском языках: «искусственный интеллект», «ультразвуковая диагностика», «нейросеть», «плод», «врожденные пороки развития», «обзор», «artificial intelligence», «ultrasound diagnostics», «neural network», «fetus», «congenital malformations», «review». Временной интервал для поиска исследований стал с 2020 по 2025 год. При написании публикации для отбора источников был использован определенный алгоритм действий. В первую очередь авторами был осуществлен поиск отечественных и зарубежных научных исследований в виде оригинальных статей, систематических обзоров, методических пособий, практических и клинических рекомендаций и монографий. В процессе поиска изучались названия, заголовки и аннотации исследований. Далее осуществлялся отбор найденного материала по следующим критериям включения: полнотекстовые литературные обзоры, систематические обзоры, метаанализы, оригинальные статьи, рандомизированые контролируемые исследования, опубликованные в рецензируемых научных журналах. И в таком случае, авторами работы были исключены дубликаты найденных публикаций, тезисы, а также работы, не имеющие полного текста или не соответствующие критериям включения. Таким образом в данный обзор включено 40 источников литературы.

Процесс разработки технологии нейросетевого анализа для ультразвуковой диагностики врожденных пороков развития плода

  В ходе анализа отечественных и зарубежных исследований стало ясно, насколько сложным, трудоемким и детальным является первоначальный процесс разработки информационных интеллектуальных систем, применимых для ультразвуковой диагностики врожденных пороков развития плода [9]. На первом этапе разработки технологий нейросетевого анализа стоит сбор первичного материала в виде эхографических изображений (ультразвуковых снимков) или видеофайлов. Критериями для отбора могут быть срок беременности, определённые анатомические срезы изучаемого органа или системы органов для эхографического изображения или набор нескольких ультразвуковых сечений для видеофайла, ультразвуковая картина нормальной анатомии плода или с измененными структурами для отображения той или иной патологии. Следующим этапом является проведение отбора среди собранных эхографических изображений и составление выборки ультразвуковых снимков согласно отобранным критериям. На данном этапе необходимо особенно детально уделять внимание сортировке изображений, так как от качества первичного материала зависит будущее обучение системы [10]. Как подчеркивают отечественные и зарубежные авторы научных исследований, в данных первых этапах создания нейросети кроется важная и наиболее существенная роль врачей ультразвуковой диагностики, ведь от их экспертного опыта зависит успех всей разработки [11]. На третьем этапе создания технологий искусственного интеллекта производится разработка способа графического выделения анатомических ориентиров на эхографических изображениях. Также, на данном этапе начинается плотная совместная работа специалистов из IT сферы и медицинских работников. Ведь именно благодаря IT-специалистам осуществляется выбор программы для маркировки ультразвуковых снимков [12]. Нельзя не отметить то, насколько тщательно должна производится графическая маркировка выбранных анатомических структур, так как от этого зависит будущее обучение нейросетевой модели. После проведения графической маркировки и проверки эхографических изображений начинается этап обучения нейросетевой модели [13]. Для искусственного интеллекта характерно последовательное определение нескольких задач, после решения которых возможно получение итогового результата. Составление подобного алгоритма действий является неотъемлемым этапом разработки нейросети, который обязательно должен осуществляться командой специалистов из IT-сферы и медицины, так как разрабатываемая нейросетевая модель будет имитировать действия врача ультразвуковой диагностики [14]. При обучении интеллектуальной системы с целью выявления врожденных пороков развития плода в состав алгоритма могут быть включены такие задачи, как сегментация изображения, классификация изображения на нормальные и аномальные, поиск локального поражения и другие. Под сегментацией изображения следует понимать разделение целого ультразвукового снимка на несколько интересующих зон с последующим анализом каждой. Функция классификации изображения на нормальные и аномальные работает в виде бинарной систематизации. Именно поэтому столь важно при обучении нейросетевой модели использовать как материал с нормальной ультразвуковой картиной анатомических структур, так и эхографические изображения или видеофайлы с различными нарушениями рассматриваемых органов плода. Задача поиска локального поражения неразрывно связана с функцией сегментацией изображении [15]. Эту связь можно отследить при попытке обучения нейросети выявлению врожденных пороков развития центральной нервной системы плода. После анализа целого трансталамического среза, система сегментирует эхографическое изображение на несколько зон, одной из которых является задняя черепная ямка, а после производится поиск локального участка поражения конкретно в данной области. Это является крайне важной и полезной функцией, так как данная зона головного мозга плода достаточно часто подвергается аномальному развитию. Необходимо отметить особую важность совместной работы врачей различной специальностей и IT-специалистов при разработке информационных интеллектуальных систем. Особый успех при создании искусственного интеллекта заключается в сборе и обработке массивной визуальной базы данных в виде ультразвуковых снимков. По данным отечественной и зарубежной литературы, для нейросетевых моделей с функцией анализа изображений необходимо более 50 тыс. изображений как с нормальной ультразвуковой картиной анатомических структур плода, так и с аномалиями [16].

Искусственный интеллект в пренатальной ультразвуковой диагностике

Пренатальное ультразвуковое исследование является основным методом визуализации во время беременности для оценки состояния плода. На результаты исследования оказывают влияние несколько факторов, например, подвижность плода, толщина брюшной стенки беременной женщины, квалификация и опыт специалиста, качество используемого оборудования. В настоящее время интерес к применению искусственного интеллекта в медицинской визуализации растет благодаря значительным успехам в области нейросетей, использующих глубокое обучение. Одним из ключевых преимуществ искусственного интеллекта является высокая скорость обработки объемных данных и способность выявлять закономерности. ИИ демонстрирует огромные перспективы для выполнения повторяющихся ультразвуковых задач [17]. Применение искусственного интеллекта в пренатальном ультразвуковом исследовании имеет практическую ценность, поскольку его внедрение способно оптимизировать рабочий процесс и улучшить диагностическую точность. Использование искусственного интеллекта в области ультразвукового исследования плода находится на начальном этапе своего развития. Имеется разрыв между разработками в области искусственного интеллекта, представленные в научной литературе, и их клинической валидацией в реальной практике. Практически отсутствуют клинические исследования, в которых проводилось сравнение работы ИИ и возможностей человека в ультразвуковом исследовании плода [18]. В области здравоохранения имеются серьезные преграды для эффективного внедрения искусственного интеллекта: это недостаточное качество и объем данных, ограниченное количество одобренных инструментов ИИ, а также отставание нормативно-правовой базы. Несмотря на проблемы, интеграция искусственного интеллекта в ультразвуковую диагностику — это перспективное направление в медицине, которое имеет потенциал значительно упростить работу врачей и сделать инструментальный диагноз более точным.

Преимущества искусственного интеллекта в ультразвуковой диагностике врожденных пороков развития плода

Интеграция технологий ИИ в пренатальную ультразвуковую диагностику открывает новые возможности для повышения эффективности выявления врожденных пороков развития (ВПР). Ключевым преимуществом является повышение точности и объективности исследования. Алгоритмы искусственного интеллекта, основанные на глубоком обучении, способны исследовать ультразвуковые изображения, выявляя тонкие, но клинически значимые маркеры аномалий, которые могут быть не замечены из-за человеческого фактора или недостаточного опыта [19, 20]. Это особенно актуально для диагностики сложных пороков сердца плода, таких как дефекты межжелудочковой перегородки или коарктация аорты, где искусственный интеллект демонстрирует высокую эффективность в качестве «второго мнения» для врача ультразвуковой диагностики, снижая количество диагностических ошибок [21, 22, 23]. Существенным вкладом является автоматизация и стандартизация процесса: ИИ-алгоритмы в реальном времени обеспечивают контроль качества полученного изображения, подтверждают соответствие стандартным плоскостям сканирования и автоматически проводят биометрические измерения, что минимизирует вариабельность между специалистами и экономит время врача [24, 25]. Кроме того, искусственный интеллект показывает выдающиеся результаты в раннем выявлении аномалий центральной нервной системы (например, дефектов нервной трубки) и других структурных мальформаций, анализируя данные уже в первом триместре, что позволяет раньше определить тактику ведения беременности [26]. Наконец, технологии искусственного интеллекта обладают потенциалом для преодоления неравенства в качестве медицинской помощи, позволяя проводить экспертный уровень скрининга в ресурсно-ограниченных регионах с помощью портативного оборудования и персонала с базовой подготовкой, что значительно расширяет охват населения качественной пренатальной диагностикой [27]. Таким образом, искусственный интеллект не заменяет врача ультразвуковой диагностики, а становится его мощным инструментом, переводя ультразвуковую диагностику ВПР на качественно новый уровень точности, стандартизации и доступности.

Недостатки применения искусственного интеллекта в ультразвуковой диагностике врожденных пороков развития плода

Внедрению технологий искусственного интеллекта в ультразвуковую диагностику врожденных пороков развития препятствуют несколько факторов. Основными барьерами считаются: недостаточная адаптивность алгоритмов, тренированных на ограниченных данных; отсутствие прозрачности принятия решений («черный ящик»), ведущее к настороженности специалистов; слабая результативность при диагностике редких аномалий из-за малого количества обучающего материала [28]. Дополнительно отмечают риски ухудшения профессиональных навыков врачей и существенные экономические затраты на интеграцию технологий. Вследствие этого искусственный интеллект сегодня рассматривается как вспомогательный ресурс, дополняющий, но не заменяющий клиническую экспертизу. Также, существуют такие трудности, как отсутствие междисциплинарных специалистов в рутинной практике, работающих на стыке искусственного интеллекта и медицины, что значительно затрудняет совместную работу медицинских работников и специалистов из IT-сферы. Еще существует широко обсуждаемая проблема в данной сфере - неоднозначное влияние внедрения искусственного интеллекта на рабочие места. При это в данном случае речь будет идти не о технологической безработице, а о трансформации врача на рабочем месте, профессиональной перестройке, которая сможет открыть новые возможности для специалистов [29]. Необходимо затронуть и этическую сторону данной темы. С одной стороны, встает вопрос о доверии решениям искусственного интеллекта в таких аспектах, как достоверности постановки инструментального диагноза, определении приоритетов лечения, прогнозов осложнений. С другой стороны, стоит уделить внимание вопросу конфиденциальности. Ведь для разработки приложений искусственного интеллекта требуется большой объём данных о пациентах и их диагнозах, а такие персональные данные собираются в больницах и органами здравоохранения.  И здесь встает вопрос о персональном согласии пациента для использования подобных данных разработчиками нейросети при создании приложений [30]. Стоит отметить еще одну проблему это   потенциальная профессиональная ответственность врачей, использующих искусственный интеллект [31]. Таким образом, не смотря на преимущества применения искусственного интеллекта в медицине, остается ряд важных и актуальных проблем, для решения которых необходимы широкомасштабные, убедительные, многоцентровые клинические исследования с рассмотрением медико-юридического вопроса.

Искусственный интеллект в акушерстве

Ключевым достижением искусственного интеллекта в ультразвуковой диагностике в акушерстве - стало внедрение систем автоматизации стандартных биометрических измерений (бипариетальный размер, окружность головы и живота плода) [32]. Алгоритмы глубокого обучения не только обеспечивают высокую воспроизводимость результатов и снижение оператор-зависимости, но и позволяют стандартизировать диагностический процесс за счет автоматического определения плоскостей сканирования и контроля качества изображений [33]. Это существенно экономит время врача и повышает надежность скрининговых программ.

Современные исследования демонстрируют конкретные успехи внедрения ИИ в акушерскую ультразвуковую диагностику. Работа Arnaout R. и соавт. «An ensemble of neural networks provides expert-level prenatal detection of complex congenital heart disease» показала, что ансамбль нейронных сетей достигает чувствительности 95% и специфичности 96% в выявлении врожденных пороков сердца, статистически значимо превосходя средние показатели специалистов ультразвуковой диагностики - 82%. Повышение точности пренатальной диагностики врожденных пороков сердца с 82% до 95% позволяет оптимизировать тактику ведения беременности и подготовки к неонатальной помощи, что является ключевым фактором снижения перинатальной смертности. Параллельно исследование Lee L.H. и соавт. «Machine learning for accurate estimation of fetal gestational age based on ultrasound images» подтвердило, что ИИ может определять гестационный возраст с ошибкой всего 2,6 дня, что на 30% точнее стандартного клинического метода [34].

Эти результаты свидетельствуют о переходе от экспериментальных моделей к реальной диагностической практике: ИИ объективно повышает точность диагностики - как при выявлении сложных аномалий, так и при выполнении базовых измерений. Внедрение данных систем обеспечивает новый стандарт пренатальной диагностики, минимизируя влияние человеческого фактора на точность результатов.

Современные нейросетевые модели, подобные ChatGPT, начинают применять для работы с текстовыми данными ультразвуковых исследований, обеспечивая помощь в составлении протоколов и в анализе результатов исследований. Однако текущие исследования показывают, что эти системы ещё часто ошибаются в сложных медицинских вопросах и при работе со специализированными терминами. Их точность пока недостаточна для самостоятельного использования в клинической практике, и требуется дальнейшее улучшение этих технологий и их адаптация к медицинским задачам [35].

  Несмотря на существенные достижения в области медицинского искусственного интеллекта, его практическое внедрение в клиническую работу сопровождается комплексом методологических и нормативных сложностей. Основными сложностями при внедрении остаются формирование качественных обучающих наборов данных, отражающих все многообразие клинических случаев, создание единых стандартов проверки алгоритмов, разработка правовых механизмов ответственности за диагностические заключения [36]. Критически важным является обеспечение прозрачности алгоритмов и разработка стандартов их проверки для безопасного применения в клинике [37]. Проведенный анализ свидетельствует о том, что искусственный интеллект переходит из стадии экспериментального инструмента в категорию клинически значимых технологий, способных объективно повышать точность и эффективность пренатальной диагностики. Преодоление текущих методологических и нормативных барьеров путем совместных усилий научного и медицинского сообществ откроет путь к созданию интегрированных диагностических систем. Эти системы смогут обеспечить принципиально новое качество пренатального скрининга, минимизируя зависимость результатов от человеческого фактора и стандартизируя процесс оказания медицинской помощи на самом высоком уровне [38].

опыт разработки технологий искусственного интеллекта зарубежными учеными

Применение новых технологий искусственного интеллекта в пренатальной диагностике является актуальной задачей по всему миру. Ученые разных стран проявляют интерес и объединяется в команды совместно с IT-специалистами для разработки и внедрения нейростевых моделей в рутинную практику врача ультразвуковой диагностике. Автор Xie HN и соавт. Wang N в работе «Using deep-learning algorithms to classify fetal brain ultrasound images as normal or abnormal» оценивали возможность использования алгоритмов глубокого обучения для классификации нормальных и ненормальных эхографических изображений головного мозга плода, полученных в стандартных аксиальных плоскостях. Для достижения поставленной цели ученые из Китая проводили исследование, в которое было включено 10 251 случай нормально протекающей беременности и 2529 случаев с различными вариантами аномалий развития плода. После нескольких этапов обработки данных были получены 15 372 эхогрфачиеских изображения с нормальным анатомическим развитием структур и органов плода и 14 047 ультразвуковых среза с вариантами врожденных нарушений анатомии плода. Далее учеными проводилось обучение разработанной нейросетевой модели с функциональными возможностями в виде сегментации ультразвукового снимка вдоль головного мозга плода, классификация эхографического изображения по типу «нормальное» или «аномальное» и поиск участка поражения с прицельным нейросетевым анализом найденной зоны. В результате диагностическая точность была протестирована на тестовых наборах материала, при этом производительность сегментации оценивалась с помощью точности, полноты и коэффициента Дайса (DICE), составив 97,9%, 90,9% и 94,1% соответственно. Общая точность классификации составила 96,3%. Чувствительность и специфичность идентификации аномальных изображений составили 96,9% и 95,9%. Но при этом точность задачи в виде поиска локального участка поражения составила только 61,6% [3]. Наиболее распространенными среди всех врожденных аномалий являются пороки развития сердца и крупных сосудов плода. Поэтому уже существуют работы по разработке технологий искусственного интеллекта в пренатальной диагностике сердечно-сосудистой системы плода. Так, автор Wu H совместно с соавторами Wu B в работе «Application of Artificial Intelligence in Anatomical Structure Recognition of Standard Section of Fetal Heart» занимались разработкой экспериментальной системы с технологией искусственного распознавания сердца плода. Для этого были отобраны стандартные ультразвуковые срезы сердца плода: четырехкамерный, срез через три сосуда, срез через три сосуда и трахею, срез выходного тракта правого желудочка и срез выходного тракта левого желудочка, собранные в период с 20 по 24 неделю беременности. Обучение нейросетевой модели проводилось на базе данных в виде эхографических изображений в количестве 2 687 сканов, а тестирование с использованием 673 сканов. Данная экспериментальная разработка достаточно эффективно показала среднюю точность в виде 94,60% при идентификации различных анатомических структур, что в будущем может предоставить врачам ультразвуковой диагностики вспомогательную помощь в выявлении врожденных пороков развития плода [39].

опыт разработки технологий искусственного интеллекта отечественным учеными

На территории нашей страны совершенствование качества пренатальной диагностики является достаточно злободневной задачей. Врожденные пороки развития плода - это гетерогенная группа структурных аномалий роста и развития различных органов и систем органов. Значительно чаще других встречаются врожденных нарушения сердца и крупных сосудов с частотой 5-9 на 1 тыс. новорожденных. Автором Е.Л. Бокерия и соавт. в работе «Искусственный интеллект в фетальной эхокардиографии» создавался набор данных для разработки искусственного интеллекта для повышения качества диагностики врожденных пороков сердца плода. Задачами исследования было формирование алгоритма для осмотра сердца при помощи искусственного интеллекта, результатами которого будет медицинское заключение двух вариантов: «норма» - правильное анатомическое строение сердца и крупных сосудов плода и «не норма» – неправильное строение анатомических структур сердечно-сосудистой система с рекомендацией в виде проведения расширенной эхокардиографии. Данное исследование проводилось на базе ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии им. акад.

В.И. Кулакова» Министерства здравоохранения РФ, в ходе которого было проведено 2016 ультразвуковых исследований в сроки с 18 п 21 неделю беременности и получено 659 324 jpg файлов с нормальной анатомической картиной сердца и крупных сосудов плода и 27 886 jpg файлов с патологически измененными изучаемыми структурами. Основной задачей было получение видеофайлов, включающих не менее 25 кадрами, каждого из следующих срезов: срез с визуализацией желудка и сердца плода, четырехкамерный срез, срез через три сосуда и трахею, срез выходного тракта левого желудочка и правого желудочка и сагиттальный срез аорты. Результаты данной разработки вселяют уверенность в то, что искусственный интеллект в будущем являться дополнительный вспомогательным инструментом, повышающем диагностическую точность в выявлении врожденных пороков развития плода, и будет иметь хорошую прикладную ценность [40].

Заключение

  После проведения обзора литературы и анализа зарубежных и отечественных исследований можно сделать вывод о том, что применение искусственного интеллекта в ультразвуковой диагностике врожденных пороков развития плода станет прогрессом в выявлении различных аномалий и нарушений развития анатомии плода, окажет значительную помощь при постановке инструментального диагноза врачам ультразвуковой диагностики и может стать новой дополнительной компьютерной технологией для обследования беременных. При этом актуальными проблемами остаются нерешенные вопросы в данной теме такие, как недостаточная количество обучающего материала для качественной диагностики в случае редких аномалий, существенные экономические затраты на интеграцию нейросетевых алгоритмов в рутинную практику врачей ультразвуковой диагностики. Но нельзя не отметить очевидные преимущества технологий искусственного интеллекта в ультразвуковой диагностике врожденных пороков развития плода. Существенным вкладом является автоматизация и стандартизация процесса: алгоритмы нейросетевого анализа в реальном времени обеспечивают контроль качества полученного изображения, подтверждают соответствие стандартным плоскостям сканирования и автоматически проводят биометрические измерения, что минимизирует вариабельность между специалистами и экономит время врача. Значит, современные компьютерные технологии с функцией нейросетевого анализа могут стать мощным вспомогательным инструментом для врачей ультразвуковой диагностики в выявлении врожденных пороков развития плода. 

About the authors

Alexey Pomortsev

ФГБОУ ВО «Кубанский государственный медицинский университет» Министерства здравоохранения Российской Федерации, Краснодар, Россия

Email: pomor-av@mail.ru
ORCID iD: 0000-0003-4129-3930
SPIN-code: 4245-1324

д.м.н., профессор, заведующий кафедрой лучевой диагностики №1

Russian Federation

Yulia Dyachenko

ФГБОУ ВО «Кубанский государственный медицинский университет» Министерства здравоохранения Российской Федерации, Краснодар, Россия

Email: dyachenko0701@mail.ru
ORCID iD: 0000-0003-2957-9100
SPIN-code: 3698-7393

к.м.н., доцент кафедры лучевой диагностики №1 

Russian Federation

Mariam Matosyan

ФГБОУ ВО «Кубанский государственный медицинский университет» Министерства здравоохранения Российской Федерации, Краснодар, Россия

Email: Mariam_lev90@mail.ru
ORCID iD: 0000-0002-9576-6724
SPIN-code: 4344-3299

ассистент кафедры лучевой диагностики №1

Russian Federation

Ekaterina Arutyunyan

ФГБОУ ВО «Кубанский государственный медицинский университет» Министерства здравоохранения Российской Федерации, Краснодар, Россия

Email: katebarsukova1507@gmail.com
ORCID iD: 0009-0005-9684-4025
SPIN-code: 3179-3080

старший лаборант кафедры лучевой диагностики №1

Russian Federation

Milena Arutyunyan

ФГБОУ ВО «Кубанский государственный медицинский университет» Министерства здравоохранения Российской Федерации, Краснодар, Россия

Email: milena.arutunan@yandex.ru
ORCID iD: 0009-0009-5869-9188
SPIN-code: 5080-0577

студентка 6 курс педиатрического факультета 

Russian Federation

Zarema Janok

ФГБОУ ВО «Кубанский государственный медицинский университет» Министерства здравоохранения Российской Федерации, Краснодар, Россия

Email: zarema.yanok777@gmail.com
ORCID iD: 0009-0008-9259-0488
SPIN-code: 8014-5050

студентка 6 курса педиатрического факультета

Russian Federation

Bela Emizh

ФГБОУ ВО «Кубанский государственный медицинский университет» Министерства здравоохранения Российской Федерации, Краснодар, Россия

Email: bela.001@mail.ru
ORCID iD: 0009-0002-2985-9428
SPIN-code: 4071-0396

студентка 6 курса педиатрического факультета

Russian Federation

Veronika Nikitina

ФГБОУ ВО «Кубанский государственный медицинский университет» Министерства здравоохранения Российской Федерации, Краснодар, Россия

Email: nikakristall@yandex.ru
ORCID iD: 0009-0000-6288-7469
SPIN-code: 4027-6355

студентка 5 курса педиатрического факультета

Russian Federation

Olga V Astafieva

Email: olga-astafeva2@rambler.ru

Aleksey N Katrich

Author for correspondence.
Email: katrich-a1@yandex.ru

References

Supplementary files