Применение компьютерного зрения для автоматизированной обработки медицинских документов

Рассмотрена задача автоматизации обработки медицинских изображений при диагностике артериальной гипертензии с применением методов искусственного интеллекта и технологий компьютерного зрения. Разработан программный компонент, обеспечивающий автоматическое извлечение и структурирование информации из визуальных представлений медицинских документов (включая результаты биохимического анализа, общего анализа крови и данных суточного мониторинга артериального давления), что позволяет минимизировать количество ошибок и ускорить процессы ввода и интерпретации медицинской информации. Созданы и апробованы алгоритмы предобработки изображений (увеличение разрешения изображения, устранение шумов, коррекция наклона), сегментации и распознавания текстовых данных с помощью нейросетевых моделей Real-ESRGAN и EasyOCR. Особое внимание уделено улучшению качества распознавания текста при наличии характерных артефактов, возникающих при сканировании или фотографировании документов. Для оценки качества использовались метрики CER, WER, исследовалась эффективность работы модуля с применением суперразрешения и без него. Результаты исследования подтвердили эффективность предлагаемого подхода и показали, что интеграция технологии Real-ESRGAN позволяет повысить точность обработки медицинских изображений в условиях наличия значительных шумов и низкого разрешения исходных данных. Практическая значимость исследования заключается в упрощении и ускорении процесса диагностики гипертонии и создании основы для персонализированного подхода к лечению пациентов.

1. Kjeldsen, S. E. Hypertension and Cardiovascular Risk: General Aspects / S. E. Kjeldsen // Pharmacological Research. 2018. Vol. 129. P. 95–99.

2. Hypertension Management in the High Cardiovascular Risk Population / I. Maraj [et al.] // International Journal of Hypertension. 2013. https://doi.org/10.1155/2013/382802.

3. Handler, J. Clinical Challenges in Diagnosing and Managing Adult Hypertension / J. Handler // Cleveland Clinic Journal of Medicine. 2015. Vol. 82, Iss. 2. P. S36–S41.

4. Автоматизация обработки медицинских данных с использованием компьютерного зрения: подходы и перспективы внедрения в кардиологии / Е. А. Курлюк [и др.] // Средства медицинской электроники и новые медицинские технологии: матер. XIV Междунар. науч.-техн. конф. «Медэлектроника–2024», Минск, 5–6 дек. 2024 г. Минск: Белор. гос. ун-т информ. и радиоэлек., 2024. С. 254–259.

5. Применение искусственного интеллекта в кардиологии и перспективы его дальнейшего внедрения / Н. А. Ларченко [и др.] // Средства медицинской электроники и новые медицинские технологии: матер. XIV Междунар. науч.-техн. конф. «Медэлектроника–2024», Минск, 5–6 дек. 2024 г. Минск: Белор. гос. ун-т информ. и радиоэлек., 2024. С. 12–16.

6. Cardiac Imaging: Working Towards Fully-Automated Machine Analysis & Interpretation / P. J. Slomka [et al.] // Expert Review of Medical Devices. 2017. Vol. 14, No 3. P. 197–212.

7. Artificial Intelligence as a Business Partner in Cardiovascular Precision Medicine: An Emerging Approach for Disease Detection and Treatment Optimization / V. Visco [et al.] // Current Medicinal Chemistry. 2021. Vol. 28. P. 6569–6590.

8. Highly Precise Risk Prediction Model for New-Onset Hypertension Using Artificial Intelligence Techniques / H. Kanegae [et al.] // The Journal of Clinical Hypertension. 2020. Vol. 22. P. 445–450.

9. An Application of Machine Learning to Etiological Diagnosis of Secondary Hypertension: Retrospective Study Using Electronic Medical Records / X. Diao [et al.] // JMIR Medical Informatics. 2021. Vol. 9. https://doi.org/10.2196/19739.

10. Li, Y. Improving Tabular Data Extraction in Scanned Laboratory Reports Using Deep Learning Models / Y. Li, Q. Wei // Journal of Biomedical Informatics. 2024. Vol. 159. P. 1–13.

11. IRE: Improved Image Super-Resolution Based on Real-ESRGAN / Z. Zhu [et al.] // IEEE Access. 2023. Vol. 11. P. 45334–45348.

12. De-Las-Heras, G. Advanced Driver Assistance Systems (ADAS) Based on Machine Learning Techniques for the Detection and Transcription of Variable Message Signs on Roads / G. De-Las-Heras, J. Sánchez-Soriano, E. Puertas // Sensors. 2021. Vol. 21, No 17. https://doi.org/10.3390/s21175866.