01
Поворот и наклон
Ось позвоночника отклонена больше 5° или бедро ротировано — плотность считается по косой проекции и «плывёт».
01 · Задача
Постановка задачи
ЛЦТ 2026, задача 04 Департамента здравоохранения Москвы: сервис ИИ, который оценивает качество исследований плотности костей. Врач должен узнать о браке, пока пациент ещё в кабинете, а не через неделю, когда снимок уже не переснять.
IN
Вход
DICOM-снимки исследования без разметки: поясничный отдел и проксимальные отделы бёдер.
OUT
Выход
Строка на снимок: область, класс качества 0/1, тип нарушения, статус и время — CSV/XLSX по разделу 2.5 ТЗ.
3 мин
Условия
Контейнер и API пакетной обработки, до 3 минут на исследование, воспроизводимо, без падений, без передачи снимков наружу. Метрики — F1 и ROC-AUC с 95 % ДИ.
02 · Денситометрия
Что это и почему важна укладка
Денситометрия (DXA, двухэнергетическая рентгеновская абсорбциометрия) измеряет минеральную плотность кости двумя пучками рентгена малой энергии. По ней диагностируют остеопороз и следят за лечением. Считают плотность позвонков L1–L4 и шейки бедра — поэтому число зависит от того, как лёг пациент.
02
Неполный охват
В кадр не попали гребни подвздошных костей или Th12 — нельзя найти L1–L4 и сравнить с прошлым исследованием.
03
Посторонний предмет
Застёжка, пуговица, украшение в зоне измерения завышают плотность — диагноз может быть пропущен.
03 · Снимки
Как устроены данные
Обучающий набор организатора — 100 исследований с одного аппарата. Дальше настоящие обезличенные снимки из него: слева исходный, справа атлас, который построил Kostik. Файлы лежат на стенде ltz2026.ru, в репозитории их нет.
~300×290 px, 8 битGE Lunar Prodigy Advance; ширина 300 px — поясница, 280 px — бедро
нет масштаба в ммв DICOM нет размера пикселя и области тела — поля «3 см и 2 см» по ТЗ только косвенно
499 файлов
→ 252 снимка
247 точных копий: исследование — поясница и одно-два бедра. Дубли схлопываем до любой оценки, иначе она «подглядывает».
04 · Путь
Роудмап: как мы двигались
Две недели, 15–29 сентября. Зелёным — что сработало, красным — что не сработало и было честно отброшено.
ТЗ и стенд в первый же день
- рабочий сервис на домене с первого дня: чтение DICOM, область, вердикт, атлас, голос
- версия 0.1 — правила для поясницы
- пороги подобраны на тех же данных, что и оценка: цифры завышены
~/ltz2026 — день 1v0.1
$ git init ltz2026 && cd ltz2026
$ tools/trac_cli.py epic-add «Стенд»
$ infra/app/deploy.sh
[deploy] сборка образа… ok
[deploy] прогон «Для теста.zip»: 3 снимка
[deploy] готово: https://ltz2026.ru/
стенд онлайн с первого дня
Разбираем данные
- из 499 файлов уникальных только 252 — без схлопывания дублей оценка «подглядывает»
- в DICOM нет масштаба в мм и области тела — всё определяем по изображению
- каталог нарушений, диаграмма Ганта, роудмап
- минималистичный редизайн откатили: карточки понятнее ссылок
- данных мало для обучения экспертных моделей: 252 уникальных снимка, брака бедра всего 41 (по полям — 7), поясницы 32 из 99
252файлов → 252 уникальных снимка
247 точных копий убираем до любой оценки — иначе она «подглядывает»
Устойчивость
- архив МРТ из интернета: было 135 из 135 технических ошибок → понятный отказ «это не DXA»
- декодеры сжатых DICOM (JPEG Lossless, JPEG-LS, JPEG 2000)
МРТ_позвоночника.dcmмодальность MR — это не DXA
КТ_грудной_клетки.dcmмодальность CT — не денситометрия
рентген_кисти.jpgобычная картинка, не DICOM
скриншот_программы.pngописание надписей, отказ с причиной
сжатый_JPEG-LS.dcmдекодер есть — файл прочитан
технических ошибок при загрузке0
Честная оценка — главный поворот
- кросс-валидация 5×50 по исследованиям, 95 % ДИ: F1 итога 0,58 [0,46–0,74]
- посторонние предметы: ROC-AUC 0,55 → 0,85 — контраст пятна вместо порога яркости
- бедро: широкий поиск признаков и признаки нейросетей (ResNet-50, DINOv2) — сигнал не вырос, ≤ 0,64
ROC-AUC: посторонние предметы0,85
Бедро и упаковка
- бедро оценивается: ExtraTrees по 47 признакам формы, ROC-AUC 0,66
- итоговая фитнес-функция по п. 8.4 ТЗ: 0,570
- приложение 1.0-Beta: .exe, .msi, .deb; стенд на ltz2026.ru
- 3D-модель исследования: красиво, но уводило от снимков — убрали, результаты только на снимках
- деревья на одних фолдах: ExtraTrees, бустинг, каскадный лес gcForest и каскад Viola–Jones — простой ExtraTrees не хуже, его и взяли
.exe.msi.debWindows · Windows · Linux
0,66ROC-AUC бедра: ExtraTrees, 47 признаков
Проверка гипотез
- .deb для Ubuntu 22.04–26.04 и Python 3.10–3.14
- переименование в Kostik
- RAD-DINO для бедра: +0,01 ROC-AUC внутри доверительного интервала — не взяли, лишняя сложность
0,500,550,600,650,700,75
ДИ 0,62–0,69
наша модель 0,66
признаки ResNet-50 / DINOv2слабее нашей — отбросили
признаки формы + RAD-DINO+0,01 внутри ДИ — лишняя сложность
Сдача
- презентация по шаблону ЛЦТ, документация PDF, видео
- чтение надписей на чужих картинках (OCR), дообучение на правках врачей плагинами
- приложение без тормозов: окно, движок и анализ — три процесса
- презентация по шаблону ЛЦТ
- документация PDF с оглавлением
- видео и страница /video/
- приложение .exe · .msi · .deb
- стенд ltz2026.ru и репозиторий
- страница проекта на GitHub Pages
СДАНО
Было → сейчас
былосейчас (0.5.4)
Посторонние предметы · ROC-AUCпорог яркости → локальный контраст пятна
0,550,85
Посторонние предметы · F1версия 0.1 → 0.5.4
0,130,62
Поясница, итог · F1правила по ориентирам, полный набор
0,450,62
Бедро, брак · ROC-AUC«не оценено» → ExtraTrees, кросс-валидация
0,5 · наугад0,66
00,250,50,751
Что сработало
- стенд с первого дня — каждая идея сразу видна команде
- разбор данных до моделей: дубли и нет масштаба
- правила по анатомии там, где примеров мало
Что не сработало
- признаки больших нейросетей для бедра — сигнала нет
- оценка на тех же данных — цифры завышены
- 3D-вид — уводил внимание от снимка
- данных мало для обучения экспертных моделей — потолок бедра около 0,66
Аналитика пути
- 93 коммита; 63 из них (68 %) — в последние три дня: упаковка, приложение, сдача
- главный прирост качества — 26.09, после честной кросс-валидации
- узкое место — бедро: 150 снимков, ротация и поля без масштаба
05 · Алгоритмы
Что мы пробовали
22 подходов за две недели — от порога Оцу и логистической регрессии до каскадов деревьев, ResNet-50, DINOv2 и RAD-DINO. У каждого честная кросс-валидация по исследованиям, результат и ссылки на скрипт, который можно запустить. Данных мало (150 бёдер, 41 брак), поэтому потолок у всех методов один — около 0,66.
Потолок бедра: ROC-AUC разных алгоритмов
на одних и тех же фолдах по исследованиям, 150 снимков0,50 — угадывание0,600,70
Правила по яркости и геометрии
Порог Оцу выделяет кость, область определяем по ширине кадра, сторону бедра — по массе таза, позвонки — по межпозвонковым щелям.
0,45F1 поясницы в версии 0.1
Детектор посторонних предметов: контраст пятна
Вместо порога яркости — локальный контраст пятна против фона. Главная победа по позвоночнику.
0,55 → 0,85ROC-AUC предметов
Другие меры оси позвоночника
Три другие меры оси не отделили сколиоз от наклона. Порог 5° оставили по ТЗ: кросс-валидация выбирает те же значения.
F1 0,30наклон оси
Логистическая регрессия · признаки ориентиров
Признаки положения диафиза, вертелов, шейки и таза. Честная кросс-валидация: на уровне «пометить все бёдра бракованными».
0,60–0,61ROC-AUC бедра, F1 ≈ 0,38–0,40
PCA по миниатюрам снимка
Внешний вид бедра как набор главных компонент — хуже ориентиров.
0,53–0,59ROC-AUC бедра
Широкий поиск признаков укладки
47 признаков, в том числе «кость обрезана краем кадра», отбор лучших без подглядывания. Ручными признаками бедро в этих данных не вытянуть.
≈ 0,6ROC-AUC бедра
ExtraTrees · 47 признаков
Лес из 200 случайных деревьев по форме кости, краям кадра и ориентирам атласа; три модели: брак, укладка, поля. Веса — в npz, предсказание на numpy.
0,66ROC-AUC бедра [0,62–0,69], F1 0,47
Градиентный бустинг
Деревья строятся по очереди, каждое исправляет ошибки предыдущих. Чуть лучше по укладке, но разница — шум (≈ 0,03 на 249 снимках).
0,63ROC-AUC укладки
Каскадный лес (gcForest)
Уровни лесов: каждый следующий получает признаки и ответы предыдущего. Считался 6 минут и дал тот же результат, что простой лес.
0,65ROC-AUC бедра
Отсеивающий каскад Viola–Jones
Первая ступень с полнотой ≥ 95 % отбрасывает явно годные снимки, вторая решает по остальным. Не лучше ExtraTrees и медленнее.
0,66ROC-AUC бедра
Случайный лес и одно дерево
Простые деревья и обычный случайный лес взяли для сравнения: ExtraTrees не хуже и быстрее в обучении.
≤ 0,66ROC-AUC бедра
Подбор настроек ExtraTrees
Сетка: размер листа, глубина, доля признаков, веса классов — против переобучения. Подтвердил нынешние настройки.
0,66ничего лучше не нашлось
ResNet-50 (ImageNet): признаки сети + логистика
Эмбеддинги общей сети, PCA только на обучающих фолдах. Бедро — уровень угадывания; позвоночник и предметы хуже наших правил.
0,64бедро; позвоночник 0,68 против 0,75
DINOv2: «фундаментальные» признаки
Самообучаемая модель зрения. По бёдрам то же, что ResNet-50; предметы 0,77 против 0,85 у детектора контраста.
0,64ROC-AUC бедра, F1 0,39
RAD-DINO (Microsoft, обучена на рентгене)
Последняя сильная ставка для бёдер. Отдельно 0,641; вместе с формами 0,672 — прирост в пределах доверительного интервала, а цена — PyTorch и ~1 с на снимок.
0,641 → 0,672ROC-AUC бедра, не встроена
Сдвиг порога
Ловить 78 % брака вместо 61 %: сервис помечает 103 бедра из 150, F1 остаётся ≈ 0,45. Нынешний порог сбалансирован.
F1 ≈ 0,45порог не помогает
Детектор точек (CNN / U-Net) по разметке врача
Головка, вертелы, позвонки, Th12 на 100–150 снимках. С нуля на 150 снимках — переобучение, поэтому ждём разметку. Самый перспективный путь.
планпосле 29.09
Синтетические ошибки укладки
Портить нормальные бёдра (обрезка, сдвиг, наклон диафиза) и учить на них. Не реализовано; ротацию из 2D-снимка так не подделать.
планне делали
Калибровка вероятностей и фитнес-функция
Для позвоночника обучается только калибровка оценки правила; итоговая метрика по п. 8.4 ТЗ; кривые Brier по объёму данных.
0,57фитнес 0.5.4 [0,48–0,64]
Дообучение на правках врачей (плагины)
Правки вердикта → обучающие данные; ворота качества не пускают модель, ставшую хуже; откат версий.
ворота 0,02допуск на шум
RapidOCR (PP-OCRv5) — надписи на чужих картинках
Читает кириллицу на скриншотах и КТ, чтобы отказ был с объяснением, а не с ошибкой.
офлайнмодель ~8 МБ
Голос: Piper и Whisper
Озвучка пояснений (Piper) и голосовые вопросы к атласу (Whisper), всё локально.
офлайнбез сети
Все скрипты лежат в scripts/, обзор методов — в карте алгоритмов scikit-learn, руководство по обучению — TRAINING.md.
06 · Решение
Как работает Kostik
DICOM, папка, zip→чтение и схлопывание дублей→область: поясница или бедро→проверка по ТЗ→атлас, граф, текст→таблица CSV/XLSX
Поясница — правила по анатомии
Позвонки Th12–L5 по межпозвонковым щелям, гребни подвздошных костей, ось столба, посторонние предметы по локальному контрасту пятна. Каждое решение — измерение, норма и вердикт.
Бедро — обученная модель
ExtraTrees по 47 признакам формы кости, краёв кадра и ориентиров атласа; инференс на numpy без видеокарты. Вердикт бедра — подсказка для проверки.
Объяснимость
Атлас с разметкой поверх снимка, переключатель «атлас ⇄ чистый снимок», граф «измерение → норма → вердикт», пояснение текстом и голосом.
Где работает
Веб-стенд, Docker без сети, API и MCP для ИИ-ассистентов, приложение для Windows и Linux. Дообучение на правках врачей — плагинами с воротами качества.
git clone https://github.com/j0k/ltz2026 && cd ltz2026./build.sh # образ Docker, интернет нужен только здесь./run.sh <папка или архив.zip> <выход> # results.csv, results.xlsx, overlays.zip
07 · Результаты
Где мы сегодня — версия 0.5.4
0,31 сна снимок, 2 ядра CPU; допуск ТЗ — 3 минуты на исследование
252 / 252снимка набора без ошибок, повторный прогон — побайтно тот же
175чужих файлов из интернета — ни одного падения, каждому понятный отказ
0,57итоговая фитнес-функция по п. 8.4 ТЗ, 95 % ДИ [0,48–0,64]
| Критерий | F1 (кросс-валидация, 95 % ДИ) | ROC-AUC | Уровень |
|---|---|---|---|
| Поясница, итог | 0,58 [0,46–0,74] | 0,75 | работает |
| Посторонние предметы | 0,55 | 0,85 | можно доверять |
| Охват | 0,69 | 0,88 | можно доверять |
| Наклон оси | 0,30 | 0,75 | сколиоз похож на наклон |
| Бедро, брак | 0,47 | 0,66 [0,62–0,69] | подсказка для проверки |
Кросс-валидация 5×50 по исследованиям, дубли в одной группе, пороги подбираются только на обучающей части. Подробно — в README и TRAINING.md.
08 · Развитие
Что дальше
01
Пилот
1–2 отделения денситометрии: проверка каждого снимка в день исследования.
02
Разметка врачей
Спорные вердикты правятся в пульте — это данные для дообучения, оно уже встроено.
03
Бедро и Th12
Разметка малого вертела и уровней позвонков, масштаб в мм от аппарата.
04
Интеграция
PACS и ЕРИС, отчёт о качестве по отделениям и лаборантам.
05
Разработка вместе с врачами
Следующий шаг: несколько подходов с практикующими врачами и ИИ. Записываем, как врач разбирает снимок — голос и движения, — ИИ раскладывает записи на понятные правила и признаки, врач проверяет, и мы делаем новый подход.
- Голосврач вслух объясняет, что видит и почему считает снимок браком
- Движениякурсор, обводка зон, порядок просмотра снимка — записываются
- Анализ ИИрасшифровка речи, связь слов с движениями, вывод правил и признаков
- Проверка врачомврач правит выводы — и начинается следующий подход
09 · О команде
Команда«КвантовыйСкачок»
Двое участников и ИИ-агент как инструмент разработки. Решение сделали за две недели хакатона.
Юрий Коноплёв
Руководитель проекта и продукт: постановка, приоритеты, приёмка каждой версии. Telegram @bimodaling
Алексей Чуркин
Стенд, Telegram-бот, проверка сервиса на чужих данных, обратная связь по продукту и презентации. Telegram @lesha_cfc
Что нас объединяет
Нам обоим интересно всё, что связано со спортом. Здоровье костей и суставов там не абстракция: травмы, нагрузки и восстановление начинаются с точной картины, а хорошая картина — с хорошего снимка.
Как работали
Код, тесты и документацию писали вместе с ИИ-агентом Claude; трекер задач, стенд и автопуш в GitHub обновлялись с первого дня.