Abstract:
Исследование посвящено разработке и комплексной оценке алгоритма глубокого обучения для автоматизации ключевого этапа диагностики острого лимфобластного лейкоза (ОЛЛ) - морфологического анализа клеток крови. Цель работы - преодолеть разрыв между технической валидацией ИИ и оценкой его экономико-управленческого потенциала. На репрезентативном клиническом датасете (15 135 изображений) модель EfficientNetB3 достигла точности 97.5%, чувствительности 96.2% и специфичности 97.8% (AUC-ROC = 0.987). Ключевым результатом является количественная оценка операционного эффекта: экономико-временная симуляция показала, что использование алгоритма в качестве системы предварительного отбора способно сократить время рутинного скрининга специалистом на 70-85%. Это высвобождает самый ценный ресурс - время эксперта - для решения сложных задач. Делается вывод, что внедрение подобных решений ведет к трем основным результатам: повышению операционной эффективности лаборатории, стандартизации качества диагностики и трансформации труда специалиста в сторону более высокой добавленной стоимости. Таким образом, работа демонстрирует, что технологии ИИ представляют собой не просто инструмент повышения точности, а стратегическую инвестицию в создание более устойчивой и экономически эффективной системы здравоохранения.
