Обоснование. Одним из первых направлений в лучевой диагностике, в котором искусственный интеллект начал применяться и активно применяется по сей день, является рентгенография органов грудной клетки. Тем не менее при интерпретации этих исследований с помощью технологий искусственного интеллекта врачи-рентгенологи до сих пор ежедневно сталкиваются с рядом ограничений, которые приходится учитывать при вынесении врачебного заключения и на которые необходимо обратить внимание разработчиков с целью дальнейшего усовершенствования алгоритмов для повышения их эффективности.

Цель. Выявление ограничений при применении сервисов искусственного интеллекта для анализа рентгенограмм органов грудной клетки и оценка клинической значимости этих ограничений.

Материалы и методы. Проведён ретроспективный анализ 155 случаев расхождения результатов заключений сервисов искусственного интеллекта с врачебными заключениями при анализе рентгенограмм органов грудной клетки. Все включённые в исследование случаи были получены из Единого радиологического информационного сервиса Единой медицинской информационно-аналитической системы г. Москвы.

Результаты. Среди проанализированных 155 случаев расхождений 48 (31,0%) оказались ложноположительными, а 78 (50,3%) — ложноотрицательными. Остальные 29 (18,7%) случаев были исключены из дальнейшего исследования, поскольку при экспертном пересмотре оказались истинно положительными (27) или истинно отрицательными (2). Среди 48 ложноположительных случаев большинство (93,8%) было обусловлено тем, что сервис искусственного интеллекта принимал за признаки пневмоторакса нормальные анатомические структуры грудной клетки (97,8% случаев) или тень катетера (2,2% случаев). Среди ложноотрицательных исследований доля пропусков клинически значимой патологии составила 22,0%. Почти половина этих случаев (44,4%) была связана с пропуском лёгочных узлов. Самой распространённой клинически не значимой патологией оказались кальцинаты в лёгких (60,9%).

Заключение. Со стороны сервисов искусственного интеллекта прослеживается тенденция к гипердиагностике. Все ложноположительные случаи были связаны с ошибочным обнаружением клинически значимой патологии: пневмоторакса, лёгочных узлов и лёгочного затемнения. Среди ложноотрицательных случаев доля пропуска клинически значимой патологии была невелика и составила менее одной четвёртой.

论证。在放射诊断中，最早开始应用人工智能和积极使用至今的领域之一是胸部X光片。 然而，在使用人工智能（AI）技术解释这些研究时，放射科医生仍然每天面临着诸多局限，在做出医疗报告时必须考虑这些局限，这些局限必须受到开发人员的重视，以便进一步改进算法，提高效率。

目的。确定使用人工智能服务进行胸部X光片分析的局限，并评估这些局限的临床意义。

材料和方法。在分析155例患者胸部X光片时对人工智能服务结论与医疗报告不一致的病例进行回顾性分析。所有研究病例均来自莫斯科市统一医疗信息分析系统的统一放射信息服务。

结果。在被分析的155个差异病例中，48个（31.0%）为假阳性，78 个（50.3%）为假阴性。经专家审查发现其余29例（18.7%）为真阳性（27）或真阴性（2），因此这些病例被排除在进一步研究之外。在48个假阳性病例中，大多数（93.8%）是由于人工智能服务将胸部正常解剖结构（97.8%的病例）或导管阴影（2.2%的病例）误认为是气胸的体征。在假阴性研究中，临床显著性病理的漏诊比例为22.0%。这些病例中几乎一半（44.4%）与漏诊的肺结节有关。最常见的无临床意义的病理是肺钙化（60.9%）。

结论。在人工智能服务方面存在过度诊断的倾向。所有假阳性病例均与临床显著性病理的错误检测有关：气胸、肺结节和肺部阴影。在假阴性病例中，漏诊有临床意义显著性病理的比例很小，且不到四分之一。