Анна Хоружая – Цифровые технологии в лучевой и инструментальной диагностике (страница 6)
Отдельно стоит отметить работу И. М. Скоробогач с соавторами (2023), в которой технологии машинного обучения применены как метод исследования – с их помощью авторы выявили варианты течения вирусной пневмонии COVID-19, проведя автоматизированный количественный анализ результатов КТ ОГК. В качестве инструмента использовалось свободно доступное программное приложение с открытом кодом 3D Slicer [90]. Единственным недостатком работы можно считать отсутствие информации о точности использованного программного решения в отношении определения объема поражения легочной ткани. Впрочем, это небольшое методическое упущение вовсе не снижает общую положительную оценку прогрессивного подхода, примененного авторами.
Использование ИИ, машинного обучения как метода обусловило развитие радиомики – отдельного направления в современной лучевой диагностике, основанного на текстурном анализе изображений. Соответствующим проблемам посвящено значительное количество научных публикаций как в России, так и в мире в целом [2, 12, 13, 48, 50, 74, 75, 94, 97]. Однако радиомика, будучи отдельным и самостоятельным направлением в диагностике, находится за рамками нашего исследования.
Фактически единичная публикация посвящена вопросу создания наборов данных для обучения ИИ в лучевой диагностике острых нарушений мозгового кровообращения (ОНМК). Важно отметить, что набор (n = 220) включает не только результаты лучевых исследований (нативная КТ, КТ-ангиография), но и клинические данные – тип ОНМК, наличие сопутствующих заболеваний и осложнений, тактика лечения, длительность госпитализации, исход. Относительно разметки: на каждой серии изображений были оконтурены и протегированы области, соответствующие прямым и косвенным признакам ОНМК. Авторы полагают использовать сформированный набор для создания технологий ИИ с целью решения задач диагностики типа ОНМК, оценки объема поражения, а также – для прогноза степени неврологического дефицита [110].
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].