Результаты тестирования прототипа ИИ–модели для выявления образований молочных желез по данным бесконтрастной компьютерной томографии

Рак молочной железы (РМЖ) на протяжении длительного времени сохраняет лидирующую позицию в структуре злокачественных новообразований среди женщин. Такая эпидемиологическая ситуация обусловливает поиск новых диагностических паттернов с целью ранней диагностики. В отечественной литературе проблема диагностики РМЖ последовательно рассматривалась как приоритетная. Так, согласно В.Ф. Семиглазову и соавторам, приоритетное значение для выявления РМЖ имеет скрининг, который играет роль и в снижении инвалидизации работоспособного населения от данной патологии, и в снижении затрат на лечение; также подчеркивается необходимость дальнейшего развития диагностических стратегий [1,2].

Маммография по-прежнему остается центральным звеном программы популяционного скрининга [3]. Метод считается достаточно эффективным в ранней диагностике очаговых изменений; его чувствительность снижается лишь при высокой плотности молочной железы (МЖ). При этом плотность рутинно оценивается рентгенологом по шкале ACR по результатам маммографии. Пациенткам с высокой плотностью рекомендуется дообследование в виде УЗИ или МРТ. Профессор Н.И. Рожкова в своих работах утверждает, что повышение эффективности ранней диагностики достижимо при комплексном использовании лучевых методов и тщательном анализе даже минимальных изменений структуры МЖ [4,5]. Аналогичного подхода в своих научных трудах придерживаются Е.В. Литвякова и А.Д. Зикиряходжаев, исследования которых охватывают как инвазивные методики, так и комплексную лучевую диагностику РМЖ [6,7]. Профессор В.Ф. Семиглазов выделяет, что РМЖ является биологически и клинически гетерогенным заболеванием и требует точной стратификации уже на диагностическом этапе [2].

Несмотря на эффективность скрининговых программ, часть населения остается ею не охваченной. В работе Ю.А. Васильева и коллег, посвященной результативности профилактической маммографии в Российской Федерации, было установлено, что охват женского населения диспансеризацией в 2022 г. составил около 17% [8]. В.Ф. Левшин и соавторы в исследовании отношения населения к диспансеризации и участия в ней отмечают, что из числа проходивших диспансеризацию ММГ была выполнена у 77% опрошенных женщин (95% ДИ 70,86–84,54) [9].

В этом контексте актуальность приобретает концепция оппортунистической диагностики. Профессор Н.И. Рожкова в своих работах придает особое значение анализу структуры МЖ всеми доступными методами [4].

Компьютерная томография органов грудной клетки (КТ ОГК), которая не является традиционным методом выявления РМЖ, также часто содержит информацию о структуре молочных желез. Современные публикации отмечают, что структура молочной железы обязательно должна попадать в зону сканирования при исследованиях КТ ОГК, а все найденные изменения должны быть детально описаны [10]. Вместе с тем возможность визуализации молочной железы на КТ еще не означает надежное выявление опухолевого очага. В исследовании J. Park и коллег было показано, что при ретроспективном пересмотре КТ ОГК 64,3% инцидентных случаев рака молочной железы не были отражены при формировании первого заключения [11]. Аналогичные выводы представлены в более поздней работе A. Abougazia и соавторов, где также подчеркивается связь пропуска очага на КТ с последующей задержкой начала лечения [12]. Это придает особую значимость поиску методов, позволяющих повысить настороженность рентгенолога в отношении патологических изменений вне рамок клинической задачи исследования, особенно в условиях ограниченного времени при интерпретации исследования.

Активное применение ИИ в маммографии доказанно повышает эффективность диагностики, стандартизирует интерпретацию изображений и помогает врачу в обнаружении малозаметных очаговых изменений [13-17]. Аналогичный подход может быть применен и для оппортунистической диагностики на КТ-исследованиях: имеются единичные работы по данной теме. В 2022 г. южнокорейские коллеги обучили алгоритм на основе RetinaNet выявлять образования молочных желез на выборке из 1070 предоперационных КТ-исследований пациенток с раком молочной железы; авторы сообщают, что ИИ обнаружил 96,5% образований [18]. Исследователи из США в 2025 г. также разработали модель ИИ, способную выявлять образования молочной железы на выборке из КТ-исследований 3541 пациентки (76 исследований с очаговой патологией); коллеги полагают, что решения, основанные на внедрении технологий ИИ, способны помочь в выявлении инцидентальных образований [19].

Учитывая потенциальную ценность КТ в выявлении РМЖ, трудность интерпретации изменений при патологии молочной железы и активное применение ИИ в маммографии, целесообразно разработать и апробировать инструмент для автоматического поиска образований молочной железы на КТ ОГК с целью повышения выявляемости рака молочной железы.

Цель исследования — протестировать прототип ИИ, способный выявлять очаговые изменения молочных желез при бесконтрастной КТ ОГК, и определить порог срабатывания для оптимизации баланса чувствительности и специфичности.

Материалы и методы

Выполнено ретроспективное многоцентровое исследование с целью оценки возможностей прототипа модели искусственного интеллекта в выявлении злокачественных образований молочной железы по данным бесконтрастной компьютерной томографии органов грудной клетки, а также для определения оптимальных порогов отсечения по объему выявляемых образований с использованием индекса Юдена и ROC-анализа.

Исследование выполнено на обезличенных ретроспективных данных в соответствии с локальными нормативными требованиями ГБУЗ «НПКЦ ДиТ ДЗМ» г. Москвы; получение индивидуального информированного согласия не требовалось.

Исследование включало три последовательных этапа:

• 1.    Формирование обучающей, валидационной и тестовой выборок для разработки и тестирования прототипа, состоящих из исследований с морфологически подтвержденным ЗНО молочной железы и исследований без ЗНО, и разработка прототипа ИИ.

• 2.    Независимое тестирование прототипа на выборке исследований с морфологически подтвержденным РМЖ и на выборке исследований без ЗНО.

• 3.    Статистический анализ результатов тестирования, определение индекса Юдена по объему выявляемых масок.

Первый этап

Данные пациенток с ЗНО были отобраны в центрах амбулаторной онкологической помощи, расположенных в медицинских организациях Департамента здравоохранения г. Москвы. Получен доступ к исследованиям 2321 пациентки, прошедшей обследование на компьютерных томографах (128 срезов и более) с основным диагнозом C50 «Злокачественное новообразование молочной железы» в 2023 г.

Данные пациенток без ЗНО были выделены автоматически через анализ ЕРИС ЕМИАС с поиском маммографических исследований с оценками BI-RADS 1 и BI-RADS 2. Получен доступ к 3858 КТ-исследованиям этих пациенток.

Формирование обучающей выборки

Для обучения и валидации прототипа были отобраны 100 исследований КТ ОГК у пациенток с РМЖ.

Критериями включения являлись:

• •    наличие диагноза рака молочной железы, подтвержденного по данным гистологического исследования;

• •    маммографическое исследование;

• •   КТ-исследование, включающее область молочных желез с визуально определяемыми

очаговыми изменениями на бесконтрастной серии;

• •    интервал между КТ-исследованием и гистологической верификацией диагноза — не более 6 месяцев.

Критерии исключения:

• •   радикальное лечение РМЖ перед КТ-исследованием;

• •   аугментация МЖ;

• •    отсутствие визуализации опухолевого узла по данным КТ;

• •   КТ-исследования с артефактами в области МЖ.

Сформированный набор данных зарегистрирован как база данных (свидетельство о государственной регистрации базы данных № 2025624119).

В контрольную группу для этапа обучения и валидации были включены 100 исследований бесконтрастной КТ ОГК с отсутствием признаков РМЖ.

Критериями включения в данную группу являлись:

• •    наличие маммографии с оценкой BI-RADS 1 или BI-RADS 2, выполненной в течение 1 месяца относительно компьютерной томографии;

• •    наличие маммографического исследования через 1 или 2 года с заключением BIRADS 1 или BI-RADS 2;

• •    отсутствие верифицированного ЗНО МЖ (в том числе по данным УЗИ и МРТ) в течение 2 лет.

Критерии исключения:

• •    очаговые изменения в структуре МЖ;

• •    аугментация МЖ;

• •    КТ-исследования с артефактами в области МЖ.

Все исследования данной группы были дополнительно оценены врачом-экспертом с целью исключения очаговой патологии молочных желез.

Формирование тестовой выборки

Для независимого тестирования прототипа была сформирована тестовая выборка, включавшая две группы.

В первую группу вошли 58 исследований бесконтрастной КТ ОГК у пациенток с диагнозом РМЖ. Во всех случаях диагноз был подтвержден морфологически, очаговые изменения были сегментированы врачом-экспертом в программной среде 3D Slicer. Критерии включения и исключения аналогичны таковым для группы с ЗНО на первом этапе.

Во вторую группу вошли 653 исследования бесконтрастной КТ ОГК, отнесенных к группе без признаков ЗНО. Критерии включения и исключения аналогичны таковым для группы без признаков ЗНО на первом этапе.

Совпадений исследований обучающей и тестовой выборок не было.

Соотношение групп «норма» и «патология» составило 11:1. Согласно данным исследования Т.М. Бобровской, минимальная выборка при тестировании программного обеспечения на основе технологий ИИ должна составлять не менее 190 исследований [20]. В настоящем исследовании тестовая выборка составила 711 КТ-исследований.

Характеристика тестовой выборки

Выборка для тестирования включала две группы КТ-исследований: 58 исследований с ЗНО и 653 исследования без ЗНО.

Возраст пациенток в группе ЗНО составил 64,0 (± 11,5) года. Плотность железистой ткани по данным КТ с использованием шкалы ACR распределилась следующим образом: 36 исследований — плотность A (0–25%), 18 исследований — плотность B (25–50%), 3

исследования — плотность C (50–75%) и 1 исследование — плотность D (75–100%).

В структуре гистологических типов в группе ЗНО:

• •    инфильтрирующий протоковый рак (МКБ-О 8500/3) — 44 из 58 случаев (76%);

• •    аденокарцинома, БДУ (МКБ-О 8140/3) — 9 наблюдений (15,5%);

• •    морфологический тип «злокачественное новообразование без дополнительного уточнения» (МКБ-О 8000/3) — 3 случая (5,1%);

• •    дольковый рак (МКБ-О 8520/3) — 2 наблюдения (3,4%).

Возраст пациенток в группе без признаков ЗНО составил 62,0 (± 10,3) года. Плотность железистой ткани по данным КТ с использованием шкалы ACR распределилась следующим образом: 327 исследований — плотность A (0–25%), 235 исследований — плотность B (25– 50%), 78 исследований — плотность C (50–75%) и 13 исследований — плотность D (75– 100%).

Обработка изображений и обучение алгоритма

Образования молочной железы локализованы и сегментированы врачом-экспертом (врачом-рентгенологом с опытом работы в данной субспециализации 6 лет) в программной среде 3D Slicer на бесконтрастных сериях КТ-исследований. Для обеспечения максимальной точности использовали данные других диагностических методов: маммографии, МРТ, УЗИ, постконтрастных серий КТ, физикального осмотра и протоколов оперативных вмешательств.

Соответствие размеченных образований по данным КТ гистологически верифицированному ЗНО устанавливали по совпадению стороны поражения, квадранта и размеров образования с данными маммографии, МРТ, УЗИ, постконтрастных серий КТ, физикального осмотра и протоколов оперативных вмешательств. Наблюдений с расхождением локализации не было.

Второй этап

Архитектура и предобработка. Для автоматической сегментации применен фреймворк nnU-Net, который автоматически адаптирует архитектуру и гиперпараметры под задачу [21]. Во время обучения применялась аугментация: случайные повороты, эластичные деформации, гауссовский шум и коррекция яркости/контраста. Обучение проводилось на одном графическом процессоре NVIDIA GeForce RTX 3090 с 24 ГБ видеопамяти.

Для оценки качества выполнено однократное разбиение данных на обучающую и валидационную выборки. Обучающая выборка включала 80% исследований с равным соотношением случаев из группы с ЗНО и группы без ЗНО, валидационная — 20% исследований. Процесс предсказания выполнялся методом скользящего окна.

Анализ изображений и применение прототипа. Прототип модели искусственного интеллекта был применен ко всем исследованиям тестовой выборки, включавшей 58 исследований с раком молочной железы и 653 исследования без признаков ЗНО.

По результатам работы прототипа регистрировали положительное или отрицательное срабатывание на каждом исследовании. Установлено, что прототип характеризуется высокой чувствительностью при значительном числе ложноположительных результатов, что обусловливает необходимость введения порога отсечения детектируемых очагов. Во всех случаях, когда прототип отмечал наличие образования молочной железы, автоматически измеряли объем маски. Если прототип выявлял более одного очага, фиксировали измерение наибольшего по объему.

Третий этап. Статистический анализ

Статистическую обработку данных проводили с использованием методов анализа диагностической точности.

Для определения параметров ROC-AUC без введения порогового значения выполнен анализ, где за GT (ground truth) = 1 для каждого исследования принималось пересечение масок сегментаций экспертом и любой маски, выполненной прототипом ИИ. Если пересечения масок не выявлено или сегментация образования экспертом отсутствует — GT = 0. Положительным результатом считали наличие одной и более масок, сегментированных прототипом; отрицательным — отсутствие масок.

Для определения порога отсечения по минимальному объему использовали анализ с расчетом максимального индекса Юдена. Для каждого исследования с более чем одним срабатыванием алгоритма сохраняли наибольшую по объему маску образования; остальные маски в анализе не учитывали. GT, как и для ROC-AUC, определяли аналогично: 1 для каждого исследования, где зарегистрировано пересечение масок сегментаций экспертом и наибольшей маски, выполненной прототипом ИИ. Если пересечения масок не выявлено или сегментация образования экспертом отсутствует — GT = 0. Результатом считали значение объема наибольшей маски в см³ или ее отсутствие.

Расчет метрик проводили на специализированной платформе

Основная задача исследования — определение такого минимального порогового значения объема образования, при котором достигается оптимальное соотношение чувствительности и специфичности прототипа.

Результаты

Общая диагностическая эффективность прототипа без порога по минимальному объему детектируемых образований

При ROC-анализе результатов работы прототипа без применения порога ROC-AUC составила 0,638 (0,594–0,683), точность алгоритма — 0,422 (0,386–0,458), специфичность — 0,380 (0,343–0,417), чувствительность — 0,897 (0,818–0,975) (рис. 1). Общее число истинно положительных результатов составило 52, ложноположительных — 405, истинно отрицательных — 248, ложноотрицательных — 6.

Рис. 1. ROC-кривая метрик прототипа ИИ-алгоритма.

Определение оптимального порогового значения

Для повышения специфичности прототипа выполнен анализ диагностической точности с определением максимального индекса Юдена. Подобраны значения объема образований, меньше которых прототип не будет фиксировать наличие образования.

Оптимальный порог отсечения, определенный по максимальному индексу Юдена, для объема выявляемых образований составил 1,343 см³. Если ограничить срабатывания алгоритма ИИ минимальным объемом масок, указанным выше, ROC-AUC составит 0,890 (0,828–0,956), точность алгоритма повысится до 0,931 (0,912–0,950), специфичность составит 0,940 (0,922–0,958), чувствительность снизится до 0,821 (0,730–0,925) (рис. 2). Общее число истинно положительных результатов составит 48, ложноположительных — 39, истинно отрицательных — 614, ложноотрицательных — 10.

Рис. 2. Параметры диагностической точности при определении максимального индекса Юдена с введением порога отсечения по объему (1,343 см³).

Сравнение показателей до и после введения порога

Применение порога привело к снижению числа ложноположительных результатов с 405 до 39, что сопровождалось повышением ROC-AUC с 0,638 (0,594–0,683) до 0,890 (0,828– 0,956) и специфичности с 0,380  (0,343–0,417) до 0,940  (0,922–0,958). При этом чувствительность изменилась с 0,897 (0,818–0,975) до 0,821 (0,730–0,925). Таким образом, удалось повысить диагностическую точность с 0,422 (0,386–0,458) до 0,931 (0,912–0,950).

Клинические примеры

Клинический случай 1. Пациентка, 80 лет. В правой молочной железе на бесконтрастной КТ определялось образование размерами 19 × 11 мм объемом 1,69 см³ (рис. 3). Плотность железы — тип A (ACR). По данным гистологического исследования — злокачественное новообразование.

Рис. 3. Аксиальные срезы КТ, маска прототипа и измерение очага. А — КТ-изображение пациентки с очагом в правой молочной железе. Б — сегментированное прототипом образование на КТ-изображении. В — очаг с измерением его размеров в аксиальной плоскости.

Прототип корректно выделил патологический очаг, результат расценен как истинно положительный.

Клинический случай 2. Пациентка, 48 лет. В левой молочной железе на бесконтрастной КТ образований не выявлено. Плотность железы — тип B (ACR).

В исходном режиме анализа прототип сформировал маску на участке размерами 16 × 11 мм объемом 0,78 см³ (рис. 4). Согласно данным первичного заключения, экспертного анализа, заключения маммографии и двухлетнего наблюдения, данный участок не соответствует подозрительному очагу.

Рис. 4. Аксиальные срезы КТ, маска прототипа и измерение маски. A — КТ-изображение пациентки без установленного ЗНО молочной железы. Б — сегментированное прототипом «образование» на КТ-изображении. В — маска с измерением ее размеров в аксиальной плоскости.

После применения порога отсечения 1,343 см³ данное срабатывание исключалось из числа положительных результатов.

Обсуждение

При ROC-анализе результатов работы прототипа без применения порога точность алгоритма составила 0,422 (0,386–0,458), специфичность — 0,380 (0,343–0,417), чувствительность — 0,897 (0,818–0,975).

При введении оптимального порога отсечения, определенного по максимальному индексу Юдена, для объема выявляемых образований (1,343 см³) точность алгоритма повысилась до 0,931 (0,912–0,950), специфичность составила 0,940 (0,922–0,958), чувствительность — 0,821 (0,730–0,925).

Если исходить из того, что бесконтрастная КТ ОГК не является специализированным методом диагностики патологии молочной железы, то выявленные высокая чувствительность и низкая специфичность прототипа ИИ закономерны. Подобный профиль диагностической точности согласуется с литературными данными по применению ИИ для выявления опухолей молочной железы на КТ: в работах J. Koh и коллег, а также K. Yasaka и соавторов показано, что алгоритмы ИИ способны повышать выявляемость рака молочной железы на КТ, но при этом фиксируется значительное количество ложноположительных срабатываний. В первом исследовании показана чувствительность до 96,5% при 13,5 ложноположительной находки на каждое КТ-исследование; специфичность отдельно не рассчитывалась. Во втором применен аналогичный подход: чувствительность до 91,9% при 15,6 ложноположительной находки на одного пациента [18,22]. Похожий вывод содержится в более позднем исследовании S.P. Thomas и коллег, где внедрение ИИ повысило обнаружение инцидентальных очагов в структуре молочных желез, однако такой подход сопровождался ростом числа ложноположительных находок [19]. Большинство авторов аналогичных исследований полностью не решают проблему низкой специфичности; в их работах предполагается использование высокочувствительных алгоритмов рентгенологами для дальнейшей стратификации найденных очагов. Кроме того, в обучающих выборках коллег, в отличие от настоящего исследования, отсутствует сегментация верифицированных образований для обучения и тестирования модели, а также обучение на исследованиях/сериях без контрастного усиления.

Проблема высокого числа ложноположительных срабатываний обусловлена тем, что КТ ОГК охватывает молочные железы лишь как часть зоны сканирования, а не как целевой орган исследования; соответственно, визуализируемые изменения зачастую характеризуются ограниченным числом признаков патологического процесса и малоспецифичны. Необходимость оценки широкого набора лучевых признаков опухолевого процесса отмечается в работах Н.И. Рожковой, М.Л. Мазо и П.Г. Лабазановой, где внимание сосредоточено на важности сопоставления морфологических и визуализационных характеристик очага, а также на ограничениях изолированной интерпретации единичного признака [4,5,22,23]. Сочетание "высокой чувствительности и низкой специфичности", полученное в нашем исследовании, следует рассматривать как логический результат попытки использовать высокочувствительный алгоритм в условиях оппортунистической диагностики.

В качестве следующего шага был определен порог отсечения по минимальному объему выявляемых образований. В исследовании J. Park и коллег показано, что пропущенные инцидентные опухоли молочной железы на КТ были статистически значимо меньших размеров, а очаги менее 9 мм чаще оставались нераспознанными при первичном описании [11]. В работе S.P. Thomas и коллег также установлено, что пропущенные рентгенологами очаги при первичном описании исследований имели меньший диаметр по сравнению с обнаруженными очагами [19]. При введении минимального размера появляется возможность отсечь часть срабатываний, связанных с очень малыми, сомнительными изменениями. Согласно литературным данным, клиническая ценность ИИ-продукта определяется корректной настройкой порогов срабатывания [13,14].

Последние исследования показывают, что клиническая польза ИИ возникает в результате достижения баланса между выявляемостью рака, допустимым уровнем ложноположительных срабатываний и снижением нагрузки на специалистов. ИИ-поддержка в скрининге, по мнению Chang и коллег, сопровождалась увеличением выявления рака без роста ложноположительных результатов и с уменьшением нагрузки на врачей-рентгенологов, однако такой эффект был достигнут именно в рамках строго организованного баланса чувствительности и специфичности [25]. Поэтому и для бесконтрастной КТ поиск порога по объему следует рассматривать как попытку определить рабочую точку алгоритма, при которой число полезных срабатываний будет преобладать над числом ложных, увеличивающих время анализа исследования для рентгенологов.

После настройки порогов срабатывания очаги менее 1,343 см³ не выявляются; в связи с этим разработанный инструмент призван обратить внимание на инцидентальную находку для ее дальнейшей интерпретации врачом. Полученные данные позволяют рассматривать прототип как инструмент поддержки принятия решений при интерпретации КТ ОГК. Систематические обзоры показывают, что даже многообещающие алгоритмы требуют тщательной проверки на независимых выборках и правильной интеграции в рабочий процесс, а их наибольшие преимущества достигаются в формате второго чтения или поддержки принятия решений [26,27].

Обсуждаемый подход укладывается в логику, сформированную как зарубежной, так и отечественной маммологией. В работах В.Ф. Семиглазова неоднократно отмечалось, что проблема рака молочной железы требует постоянного совершенствования диагностических подходов, скрининга и маршрутизации пациенток [1,2].

Выводы

Был разработан и протестирован прототип на основе ИИ: при ROC-AUC-анализе алгоритма без применения порога точность алгоритма составила 0,422 (0,386–0,458) за счет низкой специфичности 0,380 (0,343–0,417) и высокой чувствительности 0,897 (0,818–0,975).

При введении оптимального порога отсечения, определенного по максимальному индексу Юдена, для объема выявляемых образований (1,343 см³) точность алгоритма повысилась до 0,931 (0,912–0,950), специфичность составила 0,940 (0,922–0,958), чувствительность — 0,821 (0,730–0,925).

Модель ИИ с порогом отсечения 1,343 см³ готова к апробации и дальнейшей оценке применимости в условиях практического здравоохранения. Возможно дальнейшее усовершенствование алгоритма за счет расширения обучающей выборки и использования комбинации критериев с определением риска ЗНО для каждого выявляемого очага.

Вклад авторов. А.С. Азарян: сбор, анализ и интерпретация литературных данных, написание и редактирование текста рукописи, создание графических материалов; Л.Д. Пестренин: концепция и дизайн работы, критическая оценка работы, окончательное утверждение версии для публикации; Ю.А. Васильев: концепция и дизайн работы, критическая оценка работы, окончательное утверждение версии для публикации; А.В. Владзимирский: концепция и дизайн работы, критическая оценка работы, окончательное утверждение версии для публикации; А.С. Доможирова: концепция и дизайн работы, критическая оценка работы, окончательное утверждение версии для публикации; К.М. Арзамасов: концепция и дизайн работы, критическая оценка работы, окончательное утверждение версии для публикации; В.П. Новик: концепция и дизайн работы, критическая оценка работы, окончательное утверждение версии для публикации; А.А. Борисов: сбор, анализ и интерпретация данных для работы; И.А. Шарафетдинов: сбор, анализ и интерпретация данных для работы; М.Ю. Хрустачева: анализ и интерпретация данных для работы, создание графических материалов. Все авторы подтверждают соответствие своего авторства международным критериям ICMJE (все авторы внесли существенный вклад в разработку концепции, проведение исследования и подготовку статьи, прочли и одобрили финальную версию перед публикацией).

Соблюдение прав пациентов и правил биоэтики. Для данного исследования получение одобрения этического комитета не требовалось, так как работа не включает участие людей или использование биологических материалов и ограничивается тестированием программного алгоритма (ИИ-модели) на обезличенных наборах данных.

Источник финансирования. Данная статья подготовлена авторским коллективом в рамках НИР «Искусственный интеллект для одновременного анализа изображений и ЭМК (мультимодальный ИИ)» в соответствии с приказом от 27.11.2025 № 1213 «Об утверждении государственных заданий, финансовое обеспечение которых осуществляется за счет средств бюджета города Москвы, государственным бюджетным (автономным) учреждениям, подведомственным Департаменту здравоохранения города Москвы, на 2026 год и плановый период 2027 и 2028 годов» Департамента здравоохранения города Москвы.