Универсальная модель архитектуры краудсорсинговой системы разметки и подготовки медицинских данных

Коваленко Л.А., Блеканов И.С., Ежов Ф.В., Ларин Е.С., Ким Г.И. Универсальная модель архитектуры краудсорсинговой системы разметки и подготовки медицинских данных // Научно- технический вестник информационных технологий, механики и оптики. 2025. Т. 25, № 5. С. 844–855. doi: 10.17586/2226-1494-2025-25-5-844-855
 

Введение. Рассмотрена проблема управления процессом выращивания монокристаллов галогенидов таллия методом Бриджмена–Стокбаргера. Определена важность обеспечения робастного управления температурным градиентом в зоне кристаллизации, оказывающего прямое влияние на качество получаемого монокристалла. Предложено и научно обосновано применение методов машинного зрения для определения положения границы расплав–кристалл и последующего автоматического управления температурным режимом выращивания. Метод. Для автоматизированного управления температурным градиентом предлагается использовать алгоритм, основанный на визуальном отслеживании положения кристаллизующейся границы (фронта). Распознавание фронта осуществляется посредством применения инструментов машинного зрения, позволяющих производить расчет корректирующего управляющего воздействия на верхнюю зону нагрева установки. Основные результаты. Представлено описание ключевых шагов алгоритма, приведена его блок-схема. На примере одной итерации производственного цикла проанализирована во времени динамика изменения высоты границы расплав– кристалл и температуры верхней печи. Соответствие полученного на опытной установке продукта принятым техническим условиям подтверждает эффективность предлагаемого подхода в стабилизации температурного профиля. Обсуждение. Разработанный алгоритм позволяет отказаться от ручного регулирования параметров на каждой установке и обеспечивает возможности для горизонтального масштабирования производства. Подход демонстрирует преимущества по сравнению с традиционными методами управления в контексте повышения повторяемости и качества выращиваемых монокристаллов. Предложенный алгоритм может быть использован при проектировании и модернизации установок, работающих по методу Бриджмена–Стокбаргера. Основным ограничением предлагаемого подхода является его применимость только к процессам, в которых осуществляется выращивание монокристаллов, обладающих характерной окраской.

1. Topol E. Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again. Basic Books, 2019. 341 p.

2. Obermeyer Z., Emanuel E.J. Predicting the future — big data, machine learning, and clinical medicine // New England Journal of Medicine. 2016. V. 375. N 13. P. 1216–1219. https://doi.org/10.1056/nejmp1606181

3. Jiang F., Jiang Y., Zhi H., Dong Y., Li H., Ma S., et al.Artificial intelligence in healthcare: past, present and future // Stroke and Vascular Neurology. 2017. V. 2. N 4. P. 230–243. https://doi.org/10.1136/svn-2017-000101

4. Secinaro S., Calandra D., Secinaro A., Muthurangu V., Biancone P. The role of artificial intelligence in healthcare: a structured literature review // BMC Medical Informatics and Decision Making. 2021. V. 21. N 1. P. 125. https://doi.org/10.1186/s12911-021-01488-9

5. Roh Y., Heo G., Whang S.E. A survey on data collection for machine learning: a big data – Al Integration perspective // IEEE Transactions on Knowledge and Data Engineering. 2021. V. 33. N 4. P. 1328–1347. https://doi.org/10.1109/TKDE.2019.2946162

6. Апанасович К.С., Махныткина О.В., Кабаров В.И., Далевская О.П. RuPersonaChat: корпус диалогов для персонификации разговорных агентов // Научно-технический вестник информационных технологий, механики и оптики. 2024. Т. 24. № 2. С. 214–221.https://doi.org/10.17586/2226-1494-2024-24-2-214-221

7. Shaheen Z., Mouromtsev D.I., Postny I. RuLegalNER: a new dataset for Russian legal named entities recognition.Scientific and Technical Journal of Information Technologies, Mechanics and Optics. 2023. V. 23. N 4. P. 854–857. https://doi.org/10.17586/2226-1494-2023-23-4-854-857

8. Sayin B., Krivosheev E., Yang J., Passerini A., Casati F. A review and experimental analysis of active learning over crowdsourced data // Artificial Intelligence Review. 2021. V. 54. N 7. P. 5283–5305. https://doi.org/10.1007/s10462-021-10021-3

9. Xintong G., Hongzhi W., Song Y., Hong G. Brief survey of crowdsourcing for data mining // Expert Systems With Application. 2014. V. 41. N 17. P. 7987–7994. https://doi.org/10.1016/j.eswa.2014.06.044

10. Hecht R., Kalla M., Krüger T. Crowd-sourced data collection to support automatic classification of building footprint data // Proc. of the ICA. 2018. V. 1. P. 54. https://doi.org/10.5194/ica-proc-1-54-2018

11. Mnih V., Kavukcuoglu K., Silver D., Rusu A.A., Veness J., Bellemare M.G., et al. Human-level control through deep reinforcement learning // Nature. 2015. V. 518. N 7540. P. 529–533. https://doi.org/10.1038/nature14236

12. Rahmani A.M., Yousefpoor E., Yousefpoor M.S., Mehmood Z., Haider A., Hosseinzadeh M., Naqvi R.A. Machine learning (ML) in medicine: review, applications, and challenges // Mathematics. 2021. V. 9. N 22. P. 2970. https://doi.org/10.3390/math9222970

13. Wang C., Han L., Stein G., Day S., Bien-Gund C, Mathews A., et al.Crowdsourcing in health and medical research: a systematic review // Infectious Diseases of Poverty. 2020. V. 9. N 1. P. 8. https://doi.org/10.1186/s40249-020-0622-9

14. Ellis R.J., Sander R.M., Limon A. Twelve key challenges in medical machine learning and solutions // Intelligence-Based Medicine. 2022. V. 6. P. 100068.https://doi.org/10.1016/j.ibmed.2022.100068

15. Xia H., McKernan B. Privacy in crowdsourcing: a review of the threats and challenges // Computer Supported Cooperative Work (CSCW). 2020. V. 29. N 3. P. 263–301. https://doi.org/10.1007/s10606-020-09374-0

16. Rother A., Niemann U., Hielscher T., Völzke H., Ittermann T., Spiliopoulou M. Assessing the difficulty of annotating medical data in crowdworking with help of experiments // PLOS ONE. 2021. V. 16. N 7. P. e0254764. https://doi.org/10.1371/journal.pone.0254764

17. Ye C., Coco J., Epishova A., Hajaj C., Bogardus H., Novak L., et al. A crowdsourcing framework for medical data sets // AMIA Joint Summits on Translational Science proceedings. 2018. P. 273–280.

18. Kittur A., Nickerson J., Bernstein M., Gerber E., Shaw A., Zimmerman J., et al. The future of crowd work // Proc. of the Conference on Computer Supported Cooperative Work. 2013. P. 1301–1318. https://doi.org/10.1145/2441776.2441923

19. Ørting S.N., Doyle A., van Hilten A., Hirth M., Inel O., Madan C.R., et al. A survey of crowdsourcing in medical image analysis // Human Computation. 2020. V. 7. N 1. P. 1–26. https://doi.org/10.15346/hc.v7i1.1

20. Lu J., Li W., Wang Q., Zhang Y. Research on data quality control of crowdsourcing annotation: a survey // Proc. of the IEEE Intl Conf on Dependable, Autonomic and Secure Computing, Intl Conf on Pervasive Intelligence and Computing, Intl Conf on Cloud and Big Data Computing, Intl Conf on Cyber Science and Technology Congress (DASC/PiCom/CBDCom/CyberSciTech). 2020. P. 201–208. https://doi.org/10.1109/DASC-PICom-CBDCom-CyberSciTech49142.2020.00044

21. Lu X., Ratcliffe D., Kao T.-T., Tikhonov A., Litchfield L., Rodger C., Wang K. Rethinking quality assurance for crowdsourced multi-ROI image segmentation // Proc. of the 11^th AAAI Conference on Human Computation and Crowdsourcing. 2023. V. 11. N 1. P. 103–114. https://doi.org/10.1609/hcomp.v11i1.27552

22. Тесленко Е.В. Искусственный интеллект в медицине. Правовые аспекты // Наука молодых - будущее России: сборник научных статей 8-й Международной научной конференции перспективных разработок молодых ученых. Курск: Университетская книга, 2023. С. 435–438.

23. Hulsen T. Sharing is caring—data sharing initiatives in healthcare // International Journal of Environmental Research and Public Health. 2020. V. 17. N 9. P. 3046. https://doi.org/10.3390/ijerph17093046

24. Sims M.H., Shaw M.H., Gilbertson S., Storch J., Halterman M.W.Legal and ethical issues surrounding the use of crowdsourcing among healthcare providers // Health Informatics Journal. 2019. V. 25. N 4. P. 1618–1630. https://doi.org/10.1177/1460458218796599

25. Mason W., Suri S. Conducting behavioral research on Amazon’s Mechanical Turk // Behavior Research Methods. 2012. V. 44. N 1. P. 1–23. https://doi.org/10.3758/s13428-011-0124-6

26. Buecheler T., Sieg J.H., Füchslin R.M., Pfeifer R. Crowdsourcing, open innovation and collective intelligence in the scientific method: a research agenda and operational framework // Proc. of the 12^th International Conference on the Synthesis and Simulation of Living Systems. 2010. P. 679–686.

27. Dortheimer J. Collective intelligence in design crowdsourcing // Mathematics. 2022. V. 10. N 4. P. 539. https://doi.org/10.3390/math10040539

28. Le K.H., Tran T.V., Pham H.H., Nguyen H.T., Le T.T., Nguyen H.Learning from multiple expert annotators for enhancing anomaly detection in medical image analysis // IEEE Access. 2023. V. 11. P. 14105–14114. https://doi.org/10.1109/ACCESS.2023.3243845

29. Petrović N., Moyà-Alcover G., Varona J., Jaume-i-Capó A. Crowdsourcing human-based computation for medical image analysis: a systematic literature review // Health Informatics Journal. 2020. V. 26. N 4. P. 2446–2469. https://doi.org/10.1177/1460458220907435

30. Vindas Y., GuépiéB.K., Almar M., Roux E., Delachartre P.Semi-automatic data annotation based on feature-space projection and local quality metrics: An application to cerebral emboli characterization // Medical Image Analysis. 2022. V. 79. P. 102437. https://doi.org/10.1016/j.media.2022.102437

31. Philbrick K. A., Weston A.D., Akkus Z., Kline T.L., Korfiatis P., Sakinis T., et al. RIL-Contour: a medical imaging dataset annotation tool for and with deep learning // Journal of Digital Imaging. 2019. V. 32. N 4. P. 571–581. https://doi.org/10.1007/s10278-019-00232-0

32. Li H., Zhang B., Zhang Y., Liu W.W., Mao Y.J., Huang J.C., Wei L.F.A semi-automated annotation algorithm based on weakly supervised learning for medical images // Biocybernetics and Biomedical Engineering. 2020. V. 40. N 2. P. 787–802. https://doi.org/10.1016/j.bbe.2020.03.005

33. Larobina M., Murino L. Medical image file formats // Journal of Digital Imaging. 2014. V. 27. N 2. P. 200–206. https://doi.org/10.1007/s10278-013-9657-9

34. Willemink M.J., Koszek W.A., Hardell C., Wu J., Fleischmann D., Harvey H.,et al. Preparing medical imaging data for machine learning // Radiology. 2020. V. 295. N 1. P. 4–15. https://doi.org/10.1148/radiol.2020192224

35. Pfob A., Lu S.-C., Sidey-Gibbons C. Machine learning in medicine: a practical introduction to techniques for data pre-processing, hyperparameter tuning, and model comparison // BMC Medical Research Methodology. 2022. V. 22. N 1. P. 282. https://doi.org/10.1186/s12874-022-01758-8

36. Кондратенко С.С., Коржук В.М. Архитектура системы обработки медицинских данных с учетом требований обеспечения целостности.Сборник тезисов докладов конгресса молодых ученых.2023.[Электронный ресурс]. URL: https://kmu.itmo.ru/digests/article/11444

37. ВасильевЮ.А.,СавкинаЕ.Ф., ВладзимирскийА.В., Омелянская О.В., Арзамасов К.М. Обзор современных средств разметки цифровых диагностических изображений// Казанский медицинский журнал. 2023. Т. 104. № 5. С. 750–760.https://doi.org/10.17816/KMJ349060

38. Ежов Ф.В., Коваленко Л.А., Разумилов Е.С., Блеканов И.С.Инструменты краудсорсинга для анализа и обработки медицинских изображений в виде снимков КТ// Процессы управления и устойчивость. 2023. Т. 10. № 1. C. 291–297.

39. Saltz J.S., Krasteva I. Current approaches for executing big data science projects—a systematic literature review // PeerJ Computer Science. 2022. V. 8. P. e862.https://doi.org/10.7717/peerj-cs.862

40. Saltz J.S. CRISP-DM for data science: strengths, weaknesses and potential next steps // Proc. of the IEEE International Conference on Big Data. 2021. P. 2337–2344. https://doi.org/10.1109/bigdata52589.2021.9671634

41. Saltz J., Hotz N. Factors that influence the selection of a data science process management methodology: an exploratory study // Proc. of the 54^th Hawaii International Conference on System Sciences. 2021. P. 949–958. https://doi.org/10.24251/hicss.2021.116

42. Zhao X., Zhang P., Song F., Fan G.D., Sun Y.Y., Wang Y.J.,et al. D2A U-Net: Automatic segmentation of COVID-19 CT slices based on dual attention and hybrid dilated convolution // Computers in Biology and Medicine. 2021. V. 135. P. 104526. https://doi.org/10.1016/j.compbiomed.2021.104526

43. Xie Y., Padgett J., Biancardi A.M., Reeves A.P.Automated aorta segmentation in low-dose chest CT images // International Journal of Computer Assisted Radiology and Surgery. 2014. V. 9. N 2. P. 211–219. https://doi.org/10.1007/s11548-013-0924-5

44. Ким Г.И., БлекановИ.С., ЕжовФ.В., Коваленко Л.А., Ларин Е.С., Разумилов Е.С.[и др.]Методы искусственного интеллекта в сердечно-сосудистой хирургии и диагностика патологии аорты и аортального клапана(обзор литературы)//Сибирский журнал клинической и экспериментальной медицины. 2024. Т. 39. № 2. С. 36–45. https://doi.org/10.29001/2073-8552-2024-39-2-36-45

45. Gao R., Zhao S., Aishanjiang K., Cai H., Wei T., Zhang Y.C.,et al. Deep learning for differential diagnosis of malignant hepatic tumors based on multi-phase contrast-enhanced CT and clinical data // Journal of Hematology & Oncology. 2021. V. 14. N 1. P. 154. https://doi.org/10.1186/s13045-021-01167-2

46. Chen P.-T., Wu T.H., Wang P.C., Chang D.W., Liu K.L., Wu M.S.,et al. Pancreatic cancer detection on CT scans with deep learning: a nationwide population-based study // Radiology. 2023. V. 306. N 1. P. 172–182. https://doi.org/10.1148/radiol.220152

47. Zhou H., Li L., Liu Z., Zhao K.,Chen X.,Lu M.,et al. Deep learning algorithm to improve hypertrophic cardiomyopathy mutation prediction using cardiac cine images // European Radiology. 2021. V. 31. N 6. P. 3931–3940. https://doi.org/10.1007/s00330-020-07454-9

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License