Актуальность разработки интеллектуальной автоматизированной системы диагностики (ИАСД) рака легкого (РЛ) связана с социальной значимостью этого заболевания и его лидирующей позицией в структуре онкологической заболеваемости. Теоретически применение ИАСД возможно как на этапе скрининга, так и в уточненной диагностике РЛ. Применяемые подходы к обучению ИАСД не учитывают клинико-рентгенологическую классификацию и особенности клинических форм РЛ, используемые медицинским сообществом. С этим связаны трудности применения разрабатываемых в настоящее время систем. Авторы придерживаются мнения, что приближенность разрабатываемой ИАСД к «логике врача» способствует лучшей воспроизводимости и интерпретируемости результатов при ее использовании. Большинство описанных в литературе ИАСД созданы на основе нейронных сетей, которые обладают рядом недостатков, влияющих на воспроизводимость при использовании системы. Данная работа отражает применение комбинированного алгоритма с использованием методов машинного обучения, таких как глубокий лес и сиамская нейронная сеть, что является более эффективным подходом при малой выборке обучающих данных и оптимальным с точки зрения воспроизводимости. Открытые базы данных, применяемые при разработке ИАСД, включают размеченные, но в ряде случаев не подтвержденные морфологически находки. В статье приводится описание базы данных LIRA, созданной на материале Санкт-Петербургского клинического научно-практического центра специализированных видов медицинской помощи (онкологический), которая включает только компьютерные томограммы пациентов с верифицированным диагнозом. В статье описаны этапы машинного обучения по признакам формы, внутренней структуры, а также новая разработанная архитектура дифференциальной диагностики образований на основе сиамских нейронных сетей. Также отражен способ понижения размерности данных для более эффективного и быстрого обучения системы.
