Анна Хоружая – Цифровые технологии в лучевой и инструментальной диагностике (страница 7)

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.