medalphabetМедицинский алфавитMedical alphabet2078-56312949-2807ООО «Альфмед»10.33667/2078-5631-2025-22-65-69medalphabet-4611Research ArticleСтатьиВлияние врачебного опыта на развитие машинного обучения при автоматизации общего исследования кала с использованием обработки изображенийThe impact of physician experience on the development of machine learning in automation of general fecal examination using image processinghttps://orcid.org/0000-0002-3800-2680ЧернышН. Ю.ChernyshN. Yu.

Черныш Наталия Юрьевна, к. м. н., доцент кафедры лабораторной медицины с клиникой

Санкт-Петербург

Chernysh Nataliia. Yu., PhD Med, associate professor at Dept of Laboratory Medicine with Clinic

St. Petersburg

nycher@mail.ruhttps://orcid.org/0000-0001-5916-8076БерестовскаяВ. С.BerestovskayaV. S.

Берестовская Виктория Станиславовна, к. м. н., доцент кафедры лабораторной медицины с клиникой

Санкт-Петербург

Berestovskaya Victoria S., PhD Med, associate professor at Dept of Laboratory Medicine with Clinic

St. Petersburg

viksta@inbox.ruhttps://orcid.org/0009-0007-6625-597XТишкоА. Н.TishkoA. N.

Тишко Анна Николаевна, к. м. н., ассистент кафедры лабораторной медицины с клиникой; врач клинической лабораторной диагностики

Санкт-Петербург

Tishko Anna N., PhD Med, Assistant at Dept of Laboratory Medicine with Clinic; clinical laboratory diagnostics physician

St. Petersburg

labtishan@gmail.comhttps://orcid.org/0009-0008-6901-8192РудневаА. А.RudnevaA. A.

Руднева Анастасия Алексеевна, заведующая циклом «Лабораторная диагностика» Медицинского колледжа высшей школы медицины ОНК «Института медицины и наук о жизни (МЕДБИО)»

Калининград

Rudneva Anastasia A., head of Laboratory Diagnostics Cycle

Kaliningrad

tank2605@mail.ruhttps://orcid.org/0000-0001-8537-3639ВавиловаТ. В.VavilovaT. V.

Вавилова Татьяна Владимировна, д. м. н., профессор, заведующий кафедрой лабораторной медицины с клиникой

Санкт-Петербург

Vavilova Tatyana V., DM Sci (habil.), professor, head of Dept of Laboratory Medicine with a Clinic

St. Petersburg

vtv.lab.spb@mail.ruФГБУ «Национальный медицинский исследовательский центр имени В. А. Алмазова» Минздрава РоссииРоссияAlmazov National Medical Research CentreRussian FederationФГБУ «Национальный медицинский исследовательский центр имени В. А. Алмазова» Минздрава России; ФГБУ «Всероссийский центр экстренной и радиационной медицины им А. М. Никифорова МЧС России»РоссияAlmazov National Medical Research Centre; All-Russian Center for Emergency and Radiation Medicine named after A.M. Nikiforov, Ministry of Emergency Situations of RussiaRussian FederationФГАОУ ВО «Балтийский федеральный университет имени Иммануила Канта»РоссияInstitute of Medicine and Life Sciences, Immanuel Kant Baltic Federal UniversityRussian Federation202525102025022«Современная лаборатория» (2)6569Copyright © Черныш Н.Ю., Берестовская В.С., Тишко А.Н., Руднева А.А., Вавилова Т.В., 20252025Черныш Н.Ю., Берестовская В.С., Тишко А.Н., Руднева А.А., Вавилова Т.В.Chernysh N.Y., Berestovskaya V.S., Tishko A.N., Rudneva A.A., Vavilova T.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.med-alphabet.com/jour/article/view/4611

Создание интеллектуальных программ анализа изображений кала на основе машинного обучения связано с качеством разметки изображений экспертами. В пилотном исследовании выявлена крайне низкая степень меж- и внутриэкспертной согласованности распознавания морфологических объектов по F1-score. Определены три типа расхождений: в количестве, наличии и категории объектов. Предложено использование консенсусного подхода, который позволит нивелировать субъективность и повысить надежность алгоритмов для автоматизации копрограммы.

The creation of intelligent fecal image analysis software based on machine-learning is dependent on the quality of image annotation by experts. A pilot study revealed an extremely low degree of inter- and intra-expert agreement in recognizing morphological objects, as measured by the F1-score. Three types of discrepancies were identified: in quantity, presence, and category of objects. It is proposed to use a consensus-based approach to mitigate subjectivity and enhance the reliability of algorithms for automation of general fecal examination.

общий анализ каламашинное обучениеразметка данныхgeneral fecal analysismachine learningdata annotationReferencesЕвгина С. А., Гусев А. В., Шаманский М. Б., Годков М. А. Искусственный интеллект на пороге лаборатории. Лабораторная служба. 2022; 11 (2): 18–26. https://doi.org/10.17116/labs20221102118Евгина С. А., Гусев А. В., Шаманский М. Б., Годков М. А. Искусственный интеллект на пороге лаборатории. Лабораторная служба. 2022; 11 (2): 18–26. https://doi.org/10.17116/labs20221102118Nkamgang O. T., Tchiotsop D., Fotsin H. B., Talla P. K., Dorr V. L., Wolf D. Automating the clinical stools exam using image processing integrated in an expert system. Informatics in Medicine Unlocked. 2019; 15: 100165. https://doi.org/10.1016/j.imu.2019.100165Nkamgang O. T., Tchiotsop D., Fotsin H. B., Talla P. K., Dorr V. L., Wolf D. Automating the clinical stools exam using image processing integrated in an expert system. Informatics in Medicine Unlocked. 2019; 15: 100165. https://doi.org/10.1016/j.imu.2019.100165Takahashi K., Yamamoto K., Kuchiba A., Shintani A., Koyama T. Hypothesis testing procedure for binary and multi-class F1 -scores in the paired design. Stat Med.2023; 42 (23): 4177–4192. doi: 10.1002/sim.9853Takahashi K., Yamamoto K., Kuchiba A., Shintani A., Koyama T. Hypothesis testing procedure for binary and multi-class F1 -scores in the paired design. Stat Med.2023; 42 (23): 4177–4192. doi: 10.1002/sim.9853Никитин Е. Д. Моделирование индивидуального стиля разметки врача-рентгенолога для улучшения точности нейронных сетей // Digital Diagnostics. 2023;4 (1S): 99–101.Никитин Е. Д. Моделирование индивидуального стиля разметки врача-рентгенолога для улучшения точности нейронных сетей // Digital Diagnostics. 2023;4 (1S): 99–101.Alonso O. Challenges with Label Quality for Supervised Learning. Journal of Data and Information Quality (JDIQ), 2015; 6 (1): 1–3. https://doi.6.org/10.1145/2724721. Lekadir K., et al., FUTURE-AI Consortium FUTURE-AI: international consensus guideline for trustworthy and deployable artificial intelligence in healthcare. 2025. BMJ; 5:388: e081554. DOI: 10.1136/bmj-2024–081554.Alonso O. Challenges with Label Quality for Supervised Learning. Journal of Data and Information Quality (JDIQ), 2015; 6 (1): 1–3. https://doi.6.org/10.1145/2724721. Lekadir K., et al., FUTURE-AI Consortium FUTURE-AI: international consensus guideline for trustworthy and deployable artificial intelligence in healthcare. 2025. BMJ; 5:388: e081554. DOI: 10.1136/bmj-2024–081554.

The authors declare that there are no conflicts of interest present.