Медицинские датасеты для ИИ: снимки, сигналы и тексты

Медицина — одна из самых перспективных и одновременно самых строгих областей применения ИИ. Модели помогают находить признаки патологий на рентгенограммах и КТ, анализировать ЭКГ, структурировать медицинские записи. Но качество таких систем напрямую зависит от данных: их объёма, разнообразия, точности разметки врачами и юридической чистоты.

⚠️ Тематика относится к YMYL («ваши деньги или ваша жизнь»). Материал не является медицинской или юридической консультацией. Медицинские изделия на основе ИИ в России подлежат регистрации (Росздравнадзор) [проверить актуальный порядок].

Типы медицинских данных

Открытые международные источники

• PhysioNet — ЭКГ, ЭЭГ, физиологические сигналы. Многие наборы открыты, часть требует обучения по защите данных и подписания соглашения.
• MIMIC (MIMIC-III, MIMIC-IV) — обезличенные данные реанимационных пациентов, тексты, сигналы. Доступ после аккредитации.
• The Cancer Imaging Archive (TCIA) — КТ, МРТ, ПЭТ по онкологии.
• NIH ChestX-ray14, CheXpert, MIMIC-CXR — крупные наборы рентгенограмм грудной клетки с метками, часто полученными автоматически из заключений. Это важно: такие метки содержат шум.
• ISIC Archive — дерматоскопия.
• Kaggle — соревновательные медицинские наборы (ретинопатия, пневмония, кожные образования и др.).
• Grand Challenge — платформа медицинских соревнований по обработке изображений.

Лицензии чаще всего исследовательские, а коммерческое использование требует отдельного разрешения. Проверяйте каждый набор.

Ситуация в России

• В Москве работает эксперимент по применению ИИ в лучевой диагностике (Центр диагностики и телемедицины ДЗМ). В его рамках сформированы наборы снимков для тестирования ИИ-сервисов, часть из них опубликована (например, MosMedData) [проверить актуальные наборы и условия].
• Открытых русскоязычных клинических текстов практически нет из-за врачебной тайны и 152-ФЗ.
• Крупные медицинские организации и ИТ-компании формируют внутренние наборы под свои продукты.

Вывод: российский рынок испытывает дефицит легальных обезличенных медицинских данных, особенно текстовых и по редким патологиям. Это ниша для данных от клиник и исследовательских групп.

Право: врачебная тайна и персональные данные

• Данные о здоровье — специальная категория ПД (ст. 10 152-ФЗ). Обработка допускается при особых основаниях, в том числе при письменном согласии.
• Врачебная тайна (ст. 13 Федерального закона № 323-ФЗ «Об основах охраны здоровья граждан») ограничивает передачу сведений.
• Обезличивание до передачи: удаление ФИО, дат рождения (замена на возраст), номеров полисов и историй болезни, очистка тегов DICOM (там часто есть имя и даты), удаление «вшитых» в изображение надписей.
• Локализация ПД граждан РФ на серверах в России.

Подробнее — в статье 152-ФЗ и датасеты.

Разметка медицинских данных

• Размечают врачи: рентгенологи, патоморфологи, кардиологи. Это дорого и долго.
• Хорошая практика — несколько независимых разметчиков плюс арбитраж старшим экспертом.
• В карточке указывают квалификацию разметчиков, согласованность между ними и способ получения эталона (заключение, биопсия, консенсус).
• Метки, извлечённые из текстов заключений автоматически, обязательно помечаются как «шумные».

Как оценить качество медицинского датасета

1. Источник и популяция. Одна клиника или несколько? Какое оборудование? Модели плохо переносятся между аппаратами и популяциями.
2. Эталон. Как установлен диагноз.
3. Баланс. Доля патологий, редкие случаи.
4. Обезличенность. Проверены ли теги DICOM и надписи на изображениях.
5. Утечка. Разные снимки одного пациента не должны попадать и в train, и в test.
6. Лицензия и основание. Есть ли разрешение на коммерческое использование.

Как клинике монетизировать данные этично

1. Определите правовое основание: согласия пациентов на использование обезличенных данных в научных и коммерческих целях, решение этического комитета.
2. Выполните обезличивание и независимую проверку.
3. Организуйте разметку врачами клиники.
4. Опубликуйте карточку с описанием популяции, оборудования и разметки.
5. Предоставляйте доступ по лицензии: исследовательской или коммерческой, неэксклюзивной.
6. Рассмотрите аренду с доступом через защищённую среду вместо передачи копии.

На AI Data Stock медицинские наборы проходят обязательную проверку флага ПД и модерацию. Каталог: медицинские данные.

FAQ

Где найти медицинские датасеты? PhysioNet, MIMIC, TCIA, ISIC, Kaggle, Grand Challenge, а также российские наборы московского эксперимента по ИИ в лучевой диагностике.

Можно ли использовать открытые медицинские датасеты в коммерческом продукте? Часто только для исследований. Проверяйте лицензию каждого набора.

Как обезличить DICOM-снимки? Удалить или заменить идентифицирующие теги (имя, ID, даты, учреждение), проверить наличие надписей на самом изображении и убедиться, что их нельзя восстановить.

Кто должен размечать медицинские данные? Профильные врачи, желательно несколько независимых экспертов с арбитражем.

Есть ли русскоязычные медицинские тексты для обучения? Открытых почти нет. Это одна из самых дефицитных категорий.

Разрабатываете медицинский ИИ? Ищите обезличенные наборы в медицинские данные AI Data Stock. Клиника или исследовательская группа с размеченными данными? Узнайте, как безопасно предоставить к ним доступ.