Л.Ю. Кривоногов1, И.С. Иномбоев2, Ю.П. Чебан3

1,2 ФГБОУ ВО «Пензенский государственный университет» (г. Пенза, Россия)
3 Пензенская областная клиническая больница имени Н.Н. Бурденко (г. Пенза, Россия)
1 leonidkrivonogov@yandex.ru, 2 ilhomdzoninomboev@gmail.com, 3 petrunina_julija@inbox.ru

Постановка проблемы. Интерпретация рентгеновских изображений требует значительных временных затрат, большого опыта и высокой квалификации врача-рентгенолога. Внедрение методов искусственного интеллекта способствует повышению эффективности рентген-диагностики. Система интерпретации рентгеновских изображений грудной клетки, в основу которой положены агентный подход, модульная архитектура и технология мультимодальных рассуждений, предназначена для применения в качестве интеллектуального ассистента врача-рентгенолога.

Цель. Разработать открытую агентную платформу для комплексной интерпретации рентгеновских изображений грудной клетки, способную решать широкий спектр рентген-диагностических задач с явным и доступным рассуждением на каждом шаге.

Результаты. Выбраны классы заболеваний, разработаны концепция и архитектура системы, веб-приложения для взаимодействия с системой. Сформулирована логика принятия решений и интерпретации результатов. При тестировании системы на бенчмарке CheXBench достигнута точность интерпретации 68,1%, что превышает точность известных конкурентных решений.

Практическая значимость. Система предназначена для применения в качестве интеллектуального ассистента врача-рентгенолога, а также для подготовки медицинских кадров. Система не просто генерирует диагноз, а, по аналогии с врачебной интерпретацией, проводит поэтапный анализ с явным и доступным рассуждением, что делает ее работу понятной и предсказуемой.

Кривоногов Л.Ю., Иномбоев И.С., Чебан Ю.П. Агентно-ориентированная система интерпретации рентгеновских изображений грудной клетки // Биомедицинская радиоэлектроника. 2026. T. 29. № 1. С. 67−72. DOI: https:// doi.org/10.18127/j156 04136-202601-13

1. UNSCEAR 2020/2021 Report. URL: https://www.unscear.org/unscear/uploads/documents/publications/UNSCEAR_2020_21_ Annex-A.pdf
2. Chen Z., Varma M., Delbrouck J-B. et al. CheXagent: Towards a Foundation Model for Chest X-ray Interpretation. URL: https://openreview.net/pdf?id=P3LOmrZWGR
3. Li C., Wong C., Zhang Sh. et al. LLaVA-Med: Training a Large Language-and-Vision Assistant for Biomedicine in One Day. arXiv:2306.00890v1 [cs.CV] 1 Jun 2023.
4. Ma J., He Y., Li F. et al. Segment Anything in Medical Images. arXiv:2304.12306v3 [eess.IV] 1 Apr 2024
5. Arazy O., Woo C. Analysis and design of Agent-Oriented Information Systems (AOIS). URL: https://www.researchgate.net/
   publication/228483858_Analysis_and_design_of_Agent-Oriented_Information_Systems_AOIS
6. GPT-4o. URL: https://openai.com/index/hello-gpt-4o/
7. CheXagent – Stanford AIMI. GitHub. URL: https://github.com/Stanford-AIMI/CheXagent/tree/main/evaluation_chexbench
8. LLaVA Project. URL: https://llava-vl.github.io/
9. Stanford AIMI/ CheXBench. URL:https://huggingface.co/datasets/StanfordAIMI/chexbench
10. Meta LLaMA 3.2 90B Vision. HuggingFace. URL: https://huggingface.co/meta-llama/Llama-3.2-90B-Vision
11. Свид. № 2025665664 о гос. регистрации программы для ЭВМ. Radex – ИИ-ассистент врача-рентгенолога / Л.Ю. Кривоногов, И.С. Иномбоев, Ю.П. Чебан. 2025.