Цифровые технологии в лучевой и инструментальной диагностике

Представлен опыт создания набора данных цифровых рентгенограмм позвоночного столба. Разметка данных выполнена всего лишь одним врачом-рентгенологом. Посредством набора разработан алгоритм сегментации костных структур и построения касательных к межпозвонковым дискам для последующего автоматизированного анализа и оценки степени тяжести идиопатического сколиоза. Достигнуто корректное распознавание угла Кобба более чем на 85,0% рентгенограмм. Положительной оценки заслуживает взвешенная позиция авторов, утверждающих, что данное исследование представляет собой лишь первый шаг к созданию полноценного программного продукта для морфометрии [58].

Только в единичных работах рассматривается возможность обогащения визуализации клиническими данными. Например, изучена возможность совместного анализа результатов КТ легких и «текстовых радиологических данных» с целью повышения точности автоматизированного выявления эмфиземы. Авторы использовали набор данных из 111 случаев с визуализацией и текстовыми данными и 108 случаев только с результатами КТ. Использование информации о локализации патологического проявления из текстовых данных позволило авторам повысить точность своей модели ИИ на 11% (с 0,66 до 0,77), также получено повышение F-меры обнаружения эмфиземы с 0,55 до 0,73 [91]. Авторы подчеркивают экспериментальный характер своей работы, соответственно, проспективного применения разработки в реальных клинических условиях нет.

Обзорно рассмотрена проблематика создания наборов данных КТ-исследований легких. Опубликованы результаты разработки пакета программных средств, состоящего из приложений и скриптов конвертации для автоматизации процесса разметки медицинских изображений и подготовки обучающих наборов данных. Вместе с тем сведения о практическом использовании столь актуальной разработки отсутствуют [39].

Несмотря на представленные результаты, количество российских публикаций о применении и результативности ИИ в лучевой диагностике крайне мало. Подавляющее большинство статей в предметной области представляют собой обзоры [15, 34, 42, 66, 86, 99] или материалы технического характера.

Действительно, значительная группа научных статей и коротких сообщений посвящена описанию опыта разработки технологий ИИ для лучевой диагностики, основных параметров соответствующих математических моделей. Такие публикации создают лишь некую предварительную основу для изучения проблематики ИИ в лучевой диагностике [1, 3, 6, 28, 51, 62, 73]. Большинство из них носят сугубо «математический» характер, не соответствуют принятым в доказательной медицине дизайнам и совершенно не отвечают запросам медицинской науки и практики.

В частности, разработан алгоритм на основе сверточной нейросети U-Net для диагностики идиопатической нормотензивной гидроцефалии по четырем признакам, выявляемым на результатах магнитно-резонансной томографии. Основная клиническая цель определена как поддержка принятия решения о необходимости хирургического лечения. Для разработки модели ИИ использован набор данных из 1800 МРТ около 600 пациентов. Тестирование точности проведено на группе из 90 пациентов с диагностированной целевой патологией. Авторы не приводят точных формулировок, но можно предположить, что решения алгоритма по 90 случаям были верифицированы тремя «врачами лучевой диагностики». В качестве показателя использовался коэффициент Соренсена-Дайса. По утверждению исследователей, точность алгоритма составила 90,0%. Авторы указали, что алгоритм был интегрирован в чат-бот в одном из популярных интернет-мессенджеров. В чат-бот необходимо загрузить архив с DICOM-файлами, после чего происходит анализ и формирование рекомендаций [1]. Реализован весьма спорный подход, так как и методически, и технически, и юридически более корректным представляется размещение подобных решений путем интеграции с медицинскими информационными системами и/или государственными информационными системами в сфере здравоохранения субъектов РФ. Из текста публикации невозможно установить, относились ли 90 случаев, использованных для тестирования, к выборке для обучения нейросети. Также остается непонятным механизм поддержки принятия клинического решения нейрохирургом при использовании данной разработки. Собственно, валидация алгоритма самими авторами не включала изучение влияния разработки на решения врачей (то есть согласованность решений не проанализирована).

Некоторые авторы пытаются предлагать некие математические подходы, представляющие собой, скорее, решающие правила, но именуемые «искусственным интеллектом». Либо, декларируя разработку ИИ, они фокусируются на детальных аспектах клинических алгоритмов дифференциальной диагностики [3].

Предложен программный комплекс на основе «глубоких сверточных нейронных сетей» для анализа результатов рентгенографии с целью выявления и диагностики ревматоидного артрита. Авторы представили этапы работы их системы: нормализация рентгенограмм и подготовка к сегментации, собственно сегментация изображений и детекция признаковых участков, оценка стадии заболевания по одной из принятых шкал. Информация о наборе данных не приводится вовсе, лишь констатируется факт нехватки данных. Компенсация дефицита достигнута путем «аугментации данных» (нормализация, вращение, изменение резкости, добавление гауссового шума). Заявлены «устойчивая детекция» искомых признаковых участков и общая точность на уровне 71,0% (на фоне полного отсутствия информации о наборе данных) [9].

С использованием публично доступного набора данных BraTS проведено сравнение методов классификации МРТ головного мозга: по базовым примитивам контура, на основе сверточной нейронной сети, с бинарным классификатором, на основе сверточной предобученной нейронной сети Xception. Проведя вычислительный эксперимент, авторы показали, что именно последний метод обладает наивысшей точностью [69].

Опубликовано краткое сообщение о разработке сегментационной нейросетевой модели для анализа результатов маммографии. Указаны некоторые технические аспекты, однако заявленной в цели исследования «оценки клинической эффективности» не проведено [62].

Выполнен сравнительный анализ методов классификации легочных узлов по результатам КТ органов грудной клетки и информативности соответствующих признаков (формы и текстуры). Авторы использовали набор данных LIDS, находящийся в открытом доступе, из которого выбрали 321 изображение. Для классификации, также в сравнении, изучены различные алгоритмы машинного обучения: искусственная нейронная сеть, наивный байесовский классификатор, случайный лес, методы опорных векторов и k-ближайших соседей. Для каждого подхода определены показатели точности. Авторы полагают, что добились точности машинной классификации, «на 10% превосходящей результаты опытных врачей-радиологов» [21]; вместе с тем данные о включенных врачах, уровни значимости выявленных различий они не приводят.

Предложена разработка на основе глубинного машинного обучения для сегментации структур легких на КТ, предназначенная для выявления признаков диссеминированной формы туберкулеза. Автор использовал набор данных из 11 результатов КТ с предварительно сегментированными легкими. Обучение собственной нейросети проведено только на одном кейсе, тестирование – на оставшихся 10. В дополнение к столь поверхностному подходу автор использовал нехарактерный для биомедицинской статистики показатель F1. Чувствительность и специфичность разработки составили 0,61 и 0,5—0,78 соответственно [51].

С применением набора данных из 41 исследования мультиспиральной компьютерной томографии с контрастированием разработана нейросеть для 3D-моделирования образований почек и прилежащих структур. При этом для обучения использовано 32 исследования, для валидации – 9. Для оценки точности использован коэффициент Соренсена-Дайса с моделями AHNet, DynUNet и с тремя вариантами модели nnU-Net. Максимально достигнутые показатели составили для нормальной паренхимы почки – 0,89, новообразований почки – 0,58, артерий – 0,86, вен – 0,80, мочеточников – 0,80. Отмечены (вполне ожидаемые) трудности обнаружения новообразований по сравнению с определением паренхимы и сосудов. Авторы запланировали увеличить объем набора данных до 300 исследований и применить операции постобработки для улучшения модели [108].

В целом публикации математического характера довольно типичны: как по подходам и структуре, так и по своим методическим дефектам [7, 16, 20, 38, 47, 68, 80, 82, 98, 101]. За основу берется актуальная клиническая задача (внутричерепные кровоизлияния, новообразования в легких, туберкулез и т. д.) и публично доступный набор данных (КТ, МРТ, рентгенография). Впрочем, иногда в подобных работах и изначально выбранная задача носит довольно частный характер [44]. Далее приводится детальное описание процессов математического моделирования, построения одной или нескольких нейросетей с разными архитектурами тестирования. Часто авторы фокусируются на проблематике предварительной подготовки данных, а в условиях их дефицита – на «аугментации» и довольно дискуссионных для сферы здравоохранения синтетических наборах [109]. Результаты валидации, как правило, представляются с использованием показателей, непринятых в области биомедицинской статистики. Из числа стандартных показателей довольно часто выбирается один; чаще всего – чувствительность, что легко объясняется манипуляцией с результатами – именно этот показатель обычно наиболее высок. Общий дизайн таких публикаций не соответствует требованиям к диагностическим исследованиям. Клиническая значимость соответствующих разработок – чрезвычайно сомнительна. Еще одной проблемой сугубо математических работ является частое отсутствие в составе авторов представителей медицинских специальностей. Отсюда вытекают некорректные подходы к дизайну исследования и интерпретации результатов, необоснованные задачи и откровенные ошибки (например, выражение «легочное помутнение»).

Разработана модель ИИ для автоматизированного анализа результатов рентгенографии органов грудной клетки. Для обучения использованы наборы данных из Японии и США, находящиеся в открытом доступе (общее количество использованных изображений составило 112 120). Ядро разработки представляет собой ансамбль из 10 нейросетей на основе архитектуры DenseNet-121. Авторы не приводят ни одного показателя диагностической точности, лишь утверждают, что модель может обработать 32 снимка в секунду и демонстрирует точность, сопоставимую с точностью врача, а по некоторым патологическим признакам и превышающую ее. В публикации сочетаются безаппеляционность и бездоказательность, довольно типичные для многих математических публикаций об ИИ в лучевой диагностике [73].

Изредка подобные технические публикации дополняются результатами пилотных проектов по апробации разработок [37]. В частности, изучена возможность применения ИИ в качестве системы поддержки принятия решения врачей-рентгенологов для выявления узлов размером более 6 мм в легких при КТ органов грудной клетки на примере одной из коммерчески доступных российских разработок. При этом проводилось сравнение работы врачей в «обычное время» и в условиях пандемии новой коронавирусной инфекции. На выборке из 150 пациентов получены значения точности ИИ: чувствительность – 1,0, специфичность – 0,88 и AUC – 0,94. В группе также из 150 пациентов, но с признаками COVID-19 (КТ-0 – КТ-1) показатели составили 0,93, 0,81 и 0,86 соответственно. Снижение специфичности авторы объяснили увеличением ложноположительных результатов за счет множественных уплотнений легкого вследствие коронавирусного поражения, которые и были приняты алгоритмом за легочные узлы [77]. Явными недостатками указанных исследований являются: ретроспективный дизайн, ограниченная выборка (максимум около 150—200 пациентов) и конфликт интересов, так как в авторские коллективы входят представители компаний – разработчиков решений на основе ИИ.

Таким образом, в России отмечается научно-исследовательская активность в области развития технологий искусственного интеллекта в лучевой диагностике. Подавляющее количество научных публикаций технического и математического характера имеют ограниченное значение для медицинской науки и практики. Во многих работах допускаются типовые методологические ошибки: необоснованные объемы выборок, отсутствие внешней валидации, несоответствие принятым стандартам для выполнения и описания диагностических исследований. Исследования об ИИ в лучевой диагностике клинической направленности отличаются сугубо ретроспективным дизайном, что не позволяет получить достоверные данные о точности и надежности решений на основе искусственного интеллекта в реальных производственных условиях.

Список литературы

1. Алиев З. Ш., Гаврилов Г. В., Свистов Д. В. Применение систем искусственного интеллекта в диагностике идиопатической нормотензивной гидроцефалии // Российский нейрохирургический журнал имени профессора А. Л. Поленова. – 2022. – Т. 14, № S1. – С. 111—112.

2. Алифов Д. Г., Звезда С. А., Кельн А. А. [и др.]. Лучевая диагностика рака простаты на основе искусственного интеллекта и радиомного машинного обучения // Университетская медицина Урала. – 2021. – Т. 7, №4 (27). – С. 48—50.

3. Аль-Хайдари А. А. М. Использование искусственного интеллекта в диагностике рака костей // Современная наука: актуальные вопросы, достижения и инновации: сборник статей XXVII Международной научно-практической конференции. – В 2 ч. – Пенза, 2022. – С. 38—41.

4. Баранов И. А., Титова Л. А., Толстых Е. М. [и др.]. Перспективы внедрения программы искусственного интеллекта в процесс диагностики заболеваний легких // Системный анализ и управление в биомедицинских системах. – 2020. – Т. 19, №3. – С. 165—170.

5. Барчук А. А., Подольский М. Д., Беляев А. М. [и др.]. Автоматизированная диагностика в популяционном скрининге рака легкого // Вопросы онкологии. – 2017. – Т. 63, №2. – С. 215— 220.

6. Бастанов А. Э., Зубаиров И. З., Ахметов И. В. Детекция признаков и диагностика ревматоидного артрита с использованием рентгенологического метода исследования и искусственного интеллекта // Перспективы развития экономики здоровья: сборник докладов II Всероссийской научно-практической конференции. – Уфа, 2020. – С. 38—41.

7. Белан И. Ю., Заборовский В. С., Лукашин А. А. Разработка системы инференса данных для платформы интеллектуальной диагностики рака легких // Математические методы в технике и технологиях – ММТТ. – 2020. – Т. 10. – С. 107—110.

8. Берген Т. А., Пухальский А. Н., Синицын В. Е. [и др.]. Новые возможности в организации проведения лучевых исследований у онкологических пациентов // Вестник Росздравнадзора. – 2022. – №6. – С. 49—56.

9. Блинов Д. С., Лобищева А. Е., Варфоломеева А. А. [и др.]. Нейросетевая интерпретация рентгенологического изображения грудной клетки: современные возможности и источники ошибок // Проблемы стандартизации в здравоохранении. – 2019. – №9—10. – С. 4—9.

10. Богородская Е. М., Слогоцкая Л. В., Туктарова Л. М. [и др.]. Скрининг туберкулезной инфекции в группах риска у взрослого населения города Москвы // Туберкулез и болезни легких. – 2023. – Т. 101, №4. – С. 13—21.

11. Борзов С. М., Карпов А. В., Потатуркин О. И. [и др.]. Применение нейронных сетей для дифференциальной диагностики легочных патологий по рентгенологическим изображениям // Автометрия. – 2022. – Т. 58, №3. – С. 61—71.

12. Борисенко О. В., Коновалов В. К., Лазарев А. Ф. [и др.]. Возможности дифференциальной диагностики гистологических форм первичного рака легкого при мультиспиральной компьютерной томографии на основе искусственного интеллекта // Российский онкологический журнал. – 2019. – Т. 24, №3—6. – С. 102— 104.

13. Борисенко О. В., Коновалов В. К., Лазарев А. Ф. [и др.]. Дифференциальная диагностика первичного рака легкого при МСКТ-исследованиях на основе искусственного интеллекта // Евразийский онкологический журнал. – 2022. – Т. 10, № S2. – С. 989—990.

14. Ветшева Н. Н., Трофименко И. А., Морозов С. П. [и др.]. Повышение качества медицинской помощи за счет усовершенствования системы непрерывного медицинского образования // Медицинское образование и профессиональное развитие. – 2017. – №2—3 (28—29). – С. 60—68.

15. Волосова А. В. Применение методов искусственного интеллекта для визуализации МРТ-изображений и ранней диагностики болезни Альцгеймера // Аспирант и соискатель. – 2019. – №2 (110). – С. 124—126.

16. Выгоняйло В. Р., Михелев В. М. Повышение точности классификации рентгеновских снимков с использованием дообучения составной нейросети // Научный результат. Информационные технологии. – 2020. – Т. 5, №1. – С. 20— 26.

17. Газиева Т. В., Михайлов И. А., Мальков П. Г. [и др.]. Сравнение экономической эффективности проведения скрининга рака молочной железы маммографическим и ультразвуковым методами в системе здравоохранения Чеченской Республики // Профилактическая медицина. – 2022. – Т. 25, №5. – С. 52—60.

18. Ганцев Ш. Х., Франц М. В. Искусственный интеллект как инструмент поддержки в принятии решений по диагностике онкологических заболеваний // Медицинский вестник Башкортостана. – 2018. – Т. 13, №4 (76). – С. 67— 71.

19. Гиляревский С. Р., Гаврилов Д. В., Гусев А. В. Результаты ретроспективного анализа записей электронных амбулаторных медицинских карт пациентов с хронической сердечной недостаточностью: первый российский опыт // Российский кардиологический журнал. – 2021. – Т. 26, №5. – С. 147—155.

20. Гиниятова Д. Х., Лапинский В. А. Детектирование новообразований на компьютерных томограммах с использованием нейронных сетей // Программные системы: теория и приложения. – 2022. – Т. 13, №3 (54). – С. 61—79.

21. Глазнев М. Ю., Гусарова Н. Ф., Коцюба И. Ю. [и др.]. Сравнительный анализ методов классификации легочных узлов по изображениям компьютерной томографии // Оптический журнал. – 2017. – Т. 84, №1. – С. 58—68.

22. Голубев Н. А., Огрызко Е. В., Тюрина Е. М. [и др.]. Особенности развития службы лучевой диагностики в Российской Федерации за 2014—2019 года // Современные проблемы здравоохранения и медицинской статистики. – 2021. – №2. – С. 356—376.

23. Гольдберг А. С. Организация служб лабораторной диагностики в России – текущий статус и перспективы развития // Бюллетень Национального научно-исследовательского института общественного здоровья имени Н. А. Семашко. – 2022. – №1—2. – С. 26—35.

24. Гомболевский В. А., Чернина В. Ю., Блохин И. А. [и др.]. Основные достижения низкодозной компьютерной томографии в скрининге рака легкого // Туберкулез и болезни легких. – 2021. – Т. 99, №1. – С. 61—70.

25. Гончарук Д. А., Велиев Е. И., Михайлов А. И. Прошлое, настоящее

и будущее магнитно-резонансной томографии рака предстательной железы // Онкоурология. – 2021. – Т. 17, №1. – С. 142—152.

26. Гусев А. В., Астапенко Е. М., Иванов И. В. [и др.]. Принципы формирования доверия к системам искусственного интеллекта для сферы здравоохранения // Вестник Росздравнадзора. – 2022. – №2. – С. 25—33.

27. Гусев А. В., Владзимирский А. В., Голубев Н. А. [и др.]. Информатизация здравоохранения Российской Федерации: история и результаты развития // Национальное здравоохранение. – 2021. – Т. 2, №3. – С. 5—17.

28. Гусев А. В., Гавриленко Г. Г., Гаврилов Д. В. Разработка модели машинного обучения для интерпретации результатов лабораторной диагностики с целью выявления подозрений на заболевания // Лабораторная служба. – 2022. – Т. 11, №2. – С. 9—17.

29. Гусев А. В., Гаврилов Д. В., Новицкий Р. Э. [и др.]. Совершенствование возможностей оценки сердечно-сосудистого риска при помощи методов машинного обучения // Российский кардиологический журнал. – 2021. – Т. 26, №12. – С. 171—180.

30. Гусев А. В., Добриднюк С. Л. Искусственный интеллект в медицине и здравоохранении // Информационное общество. – 2017. – №4—5. – С. 78—93.

31. Гусев А. В., Евгина С. А., Годков М. А. Искусственный интеллект в здравоохранении России. Роль лаборатории // Лабораторная служба. – 2022. – Т. 11, №2. – С. 5—8.

32. Гусейнова С. Р., Завьялов Д. В. Результаты работы системы искусственного интеллекта CAD EYE производства Fujifilm при распознавании и дифференциальной диагностике новообразований толстой кишки в режиме реального времени в условиях эндоскопического отделения Ярославской областной онкологической больницы // Актуальные вопросы медицинской науки. – 2023. – №1. – С. 229— 230.

33. Данилов Г. В., Пронин И. Н., Королев В. В. [и др.]. Первые результаты неинвазивного типирования глиом головного мозга по данным магнитно-резонансной томографии с помощью машинного обучения // Вопросы нейрохирургии им. Н. Н. Бурденко. – 2022. – Т. 86, №6. – С. 36— 42.

34. Дин Н., Афанасьев Г. И. Состояние и перспективы применения искусственного интеллекта в визуализирующей диагностике заболеваний легких // E-Scio. – 2022. – №4 (67). – С. 653—664.

35. Дорофеев Д. А., Казанова С. Ю., Мовсисян А. Б. [и др.]. Искусственный интеллект и нейросети в диагностике глаукомы // Национальный журнал глаукома. – 2023. – Т. 22, №1. – С. 115—128.

36. Држевецкая К. С., Корженкова Г. П. Результаты двух лет маммографического скрининга на территории Калужской области // Вестник рентгенологии и радиологии. – 2022. – Т. 103, №4—6. – С. 18—27.

37. Дрокин И. С., Еричева Е. В., Бухвалов О. Л. [и др.]. Опыт разработки и внедрения системы поиска онкологических образований с помощью искусственного интеллекта на примере рентгеновской компьютерной томографии легких // Врач и информационные технологии. – 2019. – №3. – С. 48—57.

38. Думаев Р. И., Киряков И. М., Молодяков С. А. Особенности предобработки и сегментации изображений в задаче обнаружения COVID-19 по рентгеновским снимкам // Современная наука: актуальные проблемы теории и практики. Сер. Естественные и технические науки. – 2022. – №9. – С. 88—95.

39. Елигулашвили Р. Р., Зароднюк И. В., Ачкасов С. И. [и др.]. Применение искусственного интеллекта в МРТ-диагностике рака прямой кишки // Колопроктология. – 2022. – Т. 21, №1 (79). – С. 26—36.

40. Заботнев М. С., Кулагин В. П. Методы и средства создания обучающих датасетов в задачах обработки медицинских изображений // Интеллектуальные информационные системы: теория и практика: сборник научных статей по материалам II Всероссийской конференции. – Курск, 2021. – С. 30—35.

41. Завадовский К. В., Веснина Ж. В., Анашбаев Ж. Ж. [и др.]. Современное состояние ядерной кардиологии в Российской Федерации // Российский кардиологический журнал. – 2022. – Т. 27, №12. – С. 105—114.

Конец ознакомительного фрагмента.

Текст предоставлен ООО «Литрес».

Прочитайте эту книгу целиком, купив полную легальную версию на Литрес.

Безопасно оплатить книгу можно банковской картой Visa, MasterCard, Maestro, со счета мобильного телефона, с платежного терминала, в салоне МТС или Связной, через PayPal, WebMoney, Яндекс.Деньги, QIWI Кошелек, бонусными картами или другим удобным Вам способом.