Нейросеть для выявления метастазов как тема ВКР: от пилотного исследования до защиты
В марте 2026 года Сеченовский Университет совместно с ИТ-компанией Medical Neuronets и московскими клиницистами опубликовал результаты пилотного исследования нейросети, которая обнаруживает метастазы на медицинских изображениях. Для студента технического направления это не просто новость из области AI in Healthcare. Это готовый каркас для дипломной работы: здесь есть и задача классификации изображений, и необходимость проектирования сервиса, и вопросы интеграции с медицинской инфраструктурой. Вузы всё чаще требуют, чтобы ВКР опиралась на реальные кейсы, а не на абстрактные «учебные примеры». Разбираем, как превратить этот кейс в структуру диплома, какие метрики использовать и как не утонуть в академических формулировках.
Почему этот кейс — готовая основа для диплома
Пилотное исследование — это не «игрушечный» проект. В нём есть заказчик (клиника), пользователь (врач-рентгенолог), ограничения (точность, скорость, соответствие медицинским стандартам) и интеграция с существующими системами (PACS, DICOM). Для ВКР это идеальный сценарий: вы можете спроектировать архитектуру, разработать прототип и провести тестирование, не претендуя на получение регистрационного удостоверения медицинского изделия.
Важно подчеркнуть: речь идёт не только о самой модели нейросети. В статье упоминается совместная работа университета, ИТ-компании и городской больницы — это классический пример интеграции research, development и эксплуатации. В дипломе такой подход позволяет закрыть требования сразу нескольких ГОСТов и стандартов, включая ГОСТ 34.602-89 (техническое задание) и ISO/IEC 25010 (модель качества).
Какие темы ВКР можно сформулировать на основе этой статьи
Ниже — три направления, которые легко адаптировать под ваш вуз и уровень подготовки. Выберите ту, где вам проще показать компетенции: если вы сильны в бэкенде — берите вариант с архитектурой, если в анализе данных — вариант с метриками.
Тема 1. Разработка веб-сервиса для автоматического анализа медицинских изображений с использованием свёрточных нейронных сетей
Актуальность: статья демонстрирует спрос на инструменты, которые помогают врачу, а не заменяют его. Сервис с интерфейсом для загрузки снимков, очередью задач и визуализацией результатов — практическая ценность, понятная рецензенту.
Цель: спроектировать и реализовать прототип веб-сервиса, который принимает DICOM-изображения, выполняет инференс модели и возвращает размеченный результат.
Задачи:
- Провести сравнительный анализ фреймворков для развёртывания моделей (ONNX Runtime, TensorFlow Serving, PyTorch Serve) с учётом требований к latency.
- Спроектировать архитектуру микросервисов (модуль загрузки, модуль обработки, модуль хранения) с использованием Kubernetes для оркестрации.
- Разработать REST API для интеграции с существующей медицинской системой.
- Провести нагрузочное тестирование и оценить время ответа сервиса в сравнении с ручной обработкой.
Структура: Глава 1 — обзор методов компьютерной диагностики и анализ аналогов; Глава 2 — проектирование архитектуры и выбор технологического стека; Глава 3 — реализация, тестирование и экономическое обоснование.
Тема 2. Исследование метрик качества нейросетевой модели для выявления метастазов в лимфатических узлах
Актуальность: в статье явно или косвенно поднимается вопрос доверия к ИИ-решениям. Для диплома это возможность углубиться в метрики за пределами accuracy — посчитать чувствительность, специфичность, AUC-ROC с учётом несбалансированных классов.
Цель: провести экспериментальное исследование влияния порога классификации на чувствительность модели при детекции метастазов.
Задачи:
- Построить baseline-модель и сформировать тестовую выборку из открытых наборов (например, PatchCamelyon или PCam).
- Реализовать пайплайн обучения с логированием метрик в MLflow или Weights & Biases.
- Провести анализ ROC-кривой и подобрать оптимальный порог с учётом медицинских требований (приоритет чувствительности над специфичностью).
- Сформулировать рекомендации по применению модели в клинической практике.
Структура: Глава 1 — теоретические основы компьютерной диагностики, обзор свёрточных архитектур; Глава 2 — методология эксперимента, описание датасета и процедур оценки; Глава 3 — результаты, обсуждение, выводы.
Тема 3. Проектирование инфраструктуры для развёртывания ИИ-сервиса в условиях медицинской организации
Актуальность: пилотный проект Сеченовского университета — это ещё и история про эксплуатацию. Врачам нужен сервис, который не падает, быстро отвечает и легко масштабируется. Для студентов ИТ-направлений это отличный повод показать навыки DevOps и администрирования.
Цель: разработать архитектуру развёртывания нейросетевого сервиса на базе Kubernetes с обеспечением отказоустойчивости и мониторинга.
Задачи:
- Спроектировать схему кластера: поды с инференсом, балансировщик, база данных для хранения результатов.
- Настроить CI/CD-пайплайн с автоматической сборкой Docker-образов и выкаткой на staging.
- Внедрить сбор метрик с помощью OpenTelemetry и настроить дашборды в Grafana.
- Рассчитать показатели RTO/RPO и провести тестирование отказа узла.
Структура: Глава 1 — анализ требований к медицинским информационным системам; Глава 2 — проектирование инфраструктуры и описание конфигураций; Глава 3 — тестирование отказоустойчивости и экономическая оценка.
Как использовать статью в аналитической главе диплома
В первой главе (теоретической) не нужно пересказывать новость. Вместо этого используйте её как отправную точку для сравнения решений. Например, вы можете составить таблицу, где сравните подходы из статьи с классическими методами.
| Критерий | Традиционный анализ (врач вручную) | Нейросеть на основе свёрточных сетей |
|---|---|---|
| время анализа одного снимка | 3–5 минут | 1–2 секунды (после предобработки) |
| зависимость от опыта специалиста | критическая | низкая — модель обучена на данных |
| воспроизводимость результата | субъективна | детерминирована при фиксированных весах |
| необходимость инфраструктуры | рабочее место врача | сервер с GPU или облачная платформа |
Такая таблица хорошо ложится в параграф про обоснование выбора технологии. Не забывайте указывать источник: «по результатам пилотного исследования, описанного в статье…» — это добавляет работе привязку к реальности и демонстрирует навык работы с источниками.
Проектная часть: схемы, алгоритмы, интеграция
Во второй главе диплома вы проектируете собственное решение. Здесь статья полезна тем, что задаёт контекст: вы понимаете, к каким системам нужно интегрироваться (PACS, RIS), какие форматы данных использовать (DICOM, PNG), какие роли пользователей учитывать.
Обязательно нарисуйте UML-диаграмму вариантов использования: врач загружает снимок, система возвращает отчёт, администратор настраивает порог чувствительности. Отдельно сделайте диаграмму последовательности для процесса обработки — от загрузки файла до выдачи результата. По опыту, студенты часто забывают про очередь задач: если модель обрабатывает изображение 3 секунды, то при массовой загрузке нужно либо синхронный вызов (простой, но не масштабируемый), либо очередь через RabbitMQ (сложнее, но устойчивее). В дипломе этот выбор стоит описать явно.
Хороший тон — показать, как вы учитываете требования стандартов. Даже если формально медицинский ГОСТ не обязателен, укажите, что архитектура предусматривает аудит действий пользователя и логирование изменений, что соответствует основным принципам ISO/IEC 25010 (атрибуты безопасности и сопровождаемости).
Тестирование и метрики: на чём строить доказательную базу
Самая уязвимая часть многих дипломов — раздел тестирования. Преподаватели ожидают не просто «программа работает», а численные показатели. Используйте следующие группы метрик:
- Метрики качества модели: accuracy, precision, recall, F1-score, AUC-ROC. Обязательно сравните свою модель с результатами из статьи (если доступны) или с литературными данными.
- Метрики производительности сервиса: время ответа API (p95), пропускная способность (запросов в секунду), утилизация CPU/GPU при нагрузке.
- Метрики надёжности: RTO (Recovery Time Objective) и RPO (Recovery Point Objective) — сколько времени система может быть недоступна и сколько данных допустимо потерять. В медицинских системах эти цифры должны быть малыми: например, RTO < 5 минут, RPO = 0 после фиксации результата.
Если вы разрабатываете модель, покажите ROC-кривую и объясните, почему точка отсечения (threshold) выбрана именно так. В медицинской диагностике обычно жертвуют специфичностью ради полноты — лучше сделать больше ложных срабатываний, чем пропустить метастаз. Этот вывод легко аргументировать, если вы читали статьи, подобные той, что упомянута в исходных данных.
Чему вы научитесь, работая над такой темой
Вы прокачаетесь сразу в нескольких востребованных навыках:
- проектирование архитектуры приложения — от монолита к микросервисам, обоснование выбора между синхронным и асинхронным взаимодействием;
- работа с контейнеризацией и оркестрацией — Docker, Kubernetes, Helm-чарты;
- настройка пайплайнов CI/CD — автоматическая сборка, тестирование, деплой;
- внедрение наблюдаемости — OpenTelemetry, сбор метрик, трейсинг запросов;
- оформление технической документации в соответствии с ГОСТ 34.602-89 и составление пояснительной записки, которая не стыдна показать практикующему архитектору.
Типичные ошибки студентов
Ошибка 1. Подмена терминов SaaS/PaaS без обоснования. Часто пишут «разработаем SaaS-решение», но при этом не описывают мультиарендность и модели оплаты. Если вы называете что-то SaaS, покажите схему разделения данных между клиниками.
Ошибка 2. Отсутствие метрик эффективности. Фразы «программа работает быстро» ничего не доказывают. Нужны цифры: время ответа, нагрузка, процент ошибок. Возьмите за правило — каждый атрибут качества из ISO/IEC 25010 должен иметь метрику.
Ошибка 3. Игнорирование требований ГОСТ 34.602-89 при оформлении ТЗ. Если в дипломе есть техническое задание, его структура должна соответствовать стандарту: стадии разработки, порядок контроля и приёмки, требования к документированию. Скачайте шаблон и заполните все разделы, это займёт час, но рецензент оценит.
FAQ: короткие ответы на острые вопросы
Сложно ли реализовать нейросеть для медицинских изображений, если я не Data Scientist?
Да, если вы будете обучать модель с нуля. Но в дипломе можно использовать предобученные модели (ResNet, EfficientNet, VGG) и провести fine-tuning на открытом датасете. Основная ценность для ВКР — не архитектура сети, а инженерная часть: сервис, API, тестирование, документирование.
Мой вуз требует обязательный код, но у меня больше теории. Что делать?
Напишите небольшой прототип — хотя бы скрипт на Python, который загружает изображение и выводит предсказание. Даже простой FastAPI-сервис с одной моделью и тестом на 10 изображениях — уже код. Приложите его в приложении к диплому.
Где взять тестовые данные, если нет доступа к медицинской клинике?
Используйте открытые датасеты: PCam (PatchCamelyon), CAMELYON16, TCGA. Опишите в дипломе ограничения: данные не являются пациентскими, но методика применима. Для тестирования сервиса можно сгенерировать синтетические изображения с помощью аугментации.
Как оформить UML-диаграммы, чтобы их приняли?
Используйте PlantUML или Draw.io. Главное — не перегружайте: одна диаграмма вариантов использования, одна диаграмма последовательности, одна диаграмма развёртывания. Подпишите, какие элементы соответствуют какому стандарту или требованию.
Чек-лист: что проверить перед сдачей
- В пояснительной записке есть ссылка на статью Сеченовского университета (оригинал указан ниже), оформленная по ГОСТ Р 7.0.5-2008?
- Каждая задача из введения отражена в выводах по главам? Сверили соответствие формулировок?
- Приложены схемы архитектуры: UML-диаграмма вариантов использования и диаграмма развёртывания?
- Метрики производительности приведены в численном виде (p95, tps, RTO/RPO) и сравнены с требованиями?
- ТЗ оформлено в соответствии с ГОСТ 34.602-89 или стандартом вашего вуза?
- Проверена орфография и единообразие терминов: нейросеть/нейронная сеть — вы выбрали один вариант и используете его во всём тексте?
Почему эта тема усилит вашу защиту
Работы на стыке ИИ и медицины вызывают живой интерес у рецензентов, особенно если в них есть практическая направленность. Возможность показать, как ваша система справляется с обработкой медицинских изображений, какие метрики вы получили и как обеспечивается отказоустойчивость, — это весомый аргумент для высокой оценки. При этом не обязательно брать именно сложную медицинскую задачу: адаптируйте кейс под свою специальность — «нейросеть для детекции аномалий на снимках», «сервис мониторинга состояния оборудования по изображениям» — суть для диплома не изменится.
Успейте получить бесплатную консультацию по вашей теме — расскажем, как уложить работу в 120 часов практики и избежать типичных правок. Опытные архитекторы и аналитики помогут с любой темой ВКР: от проектирования до внедрения.
Источник: Ученые Сеченовского Университета представили результаты пилотного исследования нейросети для выявления метастазов (опубликовано 2026-03-18)