Антон Владзимирский – Технологии искусственного интеллекта для массовых профилактических лучевых исследований (страница 3)
Развитие телерадиологии в России получило мощный стимул после принятия Федерального закона №242-ФЗ в 2017 году, который способствовал интеграции информационных технологий в систему здравоохранения. Это не только позволило улучшить качество диагностических услуг, но и сделало возможным непрерывный анализ исследований, рациональное распределение ресурсов и контроль качества диагностических процедур.
Особенно значимым стало создание референс-центров, основанных на модели «централизации описаний», что позволило централизованно обрабатывать и описывать исследования из различных медицинских учреждений. В 2020 году в Москве был открыт крупнейший референс-центр, где врачи-рентгенологи интерпретируют лучевые исследования, поступающие из подведомственных организаций столичного департамента здравоохранения [69].
Переход на цифровые методы исследований не только открыл новые возможности для диагностики, но и потребовал разработки современных подходов к обучению и адаптации медицинского персонала. Необходимость в постоянном обучении персонала работе с современным оборудованием и информационными системами подчеркивает важность интеграции образовательных программ в клиническую практику.
1.4. Цифровая трансформация в лучевой диагностике и ее влияние на качество медицинских услуг
Цифровизация лучевой диагностики расширяет спектр возможностей для улучшения процессов организации и управления в системе здравоохранения, а также повышает качество и безопасность проведения исследований для пациентов. Важно подчеркнуть, что проблемы, возникающие при внедрении современных технологий, являются типичными и требуют особого внимания к разработке научно обоснованных методических рекомендаций, которые будут способствовать практическому применению новых технологий. Кроме того, необходимо обеспечить наличие подробных инструкций для пользователей устройств и программного обеспечения, а также четко определить возможности и ограничения методов.
Практическая реализация потенциала цифровизации лучевой диагностики требует не только технических инноваций, но и создания научной базы, которая во многих аспектах еще не сформирована. Это особенно важно для процессов массовых профилактических исследований, где точность и оперативность диагностики могут существенно повлиять на эффективность профилактики и лечения заболеваний.
ГЛАВА 2. ЦИФРОВЫЕ ТЕХНОЛОГИИ ДЛЯ МАССОВЫХ ПРОФИЛАКТИЧЕСКИХ ЛУЧЕВЫХ ИССЛЕДОВАНИЙ КАК ПРЕДПОСЫЛКИ К ВНЕДРЕНИЮ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ЛУЧЕВУЮ ДИАГНОСТИКУ
2.1. Развитие систем компьютерной помощи в диагностике
Инициативы по использованию систем поддержки принятия решений в рентгенодиагностике начались в 1950-е годы [70]. Эти системы вошли в клиническую практику с распространением цифровой рентгенографии и PACS. Первые успешные примеры были связаны с экспертными системами, служившими электронными помощниками для диагностов, – так называемыми CAD (компьютерная помощь в диагностике). Эксперименты по их созданию, начавшиеся в 1960-х [71], подтвердили повышение точности диагностики заболеваний органов грудной клетки, когда врач-рентгенолог применял их в качестве помощников. Такие системы использовали предварительную обработку изображений для улучшения контрастности, определения границ легких и уменьшения теней от костных структур, что делало патологические изменения более заметными [72, 73].
Пик развития CAD-систем пришелся на 1996—2013 годы, когда они начали активно применяться для обнаружения признаков туберкулеза на рентгенограммах. Системы стали обладать высокой точностью и специфичностью, чему способствовало дополнение алгоритмов новыми рентгенологическими признаками [74]. Особенно заметен был прогресс в разработке CAD для диагностики туберкулеза, где использование дополнительных клинических данных, таких как температура и другие симптомы, значительно повысило ее эффективность [75].
С развитием ИИ и машинного обучения CAD-системы перешли на новый уровень. Современные алгоритмы позволяют не только выявлять характерные признаки заболеваний, но и выполнять более сложные задачи по классификации и анализу патологий. Это привело к значительному улучшению качества диагностических исследований и уменьшению нагрузки на врачей-рентгенологов.
Применение в практике CAD-систем, которые могут идентифицировать только один рентгенологический признак патологии, не приносит значительной пользы, учитывая, что такие признаки, как полости распада, обычно несложно обнаружить. CAD прогрессировали, включив множество новых рентгенологических признаков. Например, S. Jaeger и коллеги разработали CAD-систему, используя различные характеристики туберкулеза, включая полости, инфильтрации и плевральные выпоты. Полученная система показала не очень высокий результат по площади под ROC-кривой – AUC (0,83) [73], однако позже исследователям удалось улучшить точность до AUC 0,87—0,90. Тем не менее эти показатели все еще были ниже, чем точность врачей-рентгенологов [75]. Но CAD стали широко использоваться за пределами лабораторий для диагностики туберкулеза в менее обеспеченных регионах. Примером такой системы является CAD4TB [76, 77]. Улучшение системы с помощью дополнительных клинических данных, таких как температура, потливость и кровохарканье, позволило повысить эффективность диагностики CAD4TB, достигнув AUC 0,84, чувствительности 0,95, при этом специфичность составила 0,49 [78].
В 2000-е годы активно развивались CAD-системы для анализа рентгеновских снимков органов грудной клетки в поисках легочных узлов. В них использовались различные методы обработки изображений [79]. Часто применялся метод создания разностных изображений, при котором из общего фона выделялись легочные узлы. Затем проводилась классификация узлов по группам на основе установленных пороговых значений [80]. Работа этих систем показала в то время значительные перспективы.
Первая CAD-система, сертифицированная FDA (Агентством по контролю за продуктами и лекарствами США), называлась RapidScreen Digital. Хотя точность этого алгоритма не достигала 100%, он смог идентифицировать 36 случаев (41%) из 88, в которых врач-рентгенолог не заподозрил наличие ЗНО легких [80]. Поэтому систему рекомендовали использовать как второе мнение для минимизации пропусков ЗНО [81]. Однако после 2010 года значительных продвижений в применении CAD для диагностики ЗНО не наблюдалось. Основной подход к этим системам включал анализ изображений на основе вручную выбранных функций. Из-за этого описать все возможные признаки заболеваний оказалось невозможным, и точность CAD не достигала уровня опытного врача-рентгенолога. В основном они концентрировались на диагностике туберкулеза и ЗНО легких, игнорируя другие патологии [82]. Определить оптимальный набор функций для конкретной задачи сложно, и это часто считается скорее искусством, чем наукой [83]. Но с техническим прогрессом после 2010 года использование машинного обучения значительно упростило этот процесс. Машины стали более эффективно выделять необходимые признаки и формулировать решающие функции. Поэтому новое направление в развитии CAD-систем включает интеграцию ИИ.
Отличительной чертой CAD для маммографии является их высокая точность по сравнению с системами для рентгенографии органов грудной клетки, и они успешно используются по сегодняшний день. Принцип работы маммографических CAD-систем аналогичен рентгенографическим. Система анализирует до четырех изображений одновременно, часто обрабатывая их независимо друг от друга. С помощью CAD определяются аномалии в тканях молочной железы, такие как микрокальцинаты и уплотнения, которые могут указывать на наличие опухолей. Следующий алгоритм CAD классифицирует эти участки, используя количественные методы для оценки их характеристик, таких как плотность и регулярность распределения. Окончательная оценка вероятности злокачественного процесса осуществляется с помощью автоматизированного классификатора, обученного на данных. В результате врач-рентгенолог получает изображение с областями, помеченными как потенциально опасные [84].
Первый алгоритм CAD для маммографии, утвержденный FDA, был зарегистрирован еще в 1998 году – раньше, чем аналогичные системы для рентгенографии органов грудной клетки [85]. Применение CAD в диагностике ЗНО молочной железы показало такие обнадеживающие результаты, что к 2010 году около 74% всех маммографических исследований использовали эту технологию [86]. Отмечается, что CAD начали применяться вместо традиционного второго чтения маммограмм, демонстрируя улучшение результатов на 2—10%. Это позволило обнаруживать ЗНО в среднем на два месяца раньше, чем при классическом двойном просмотре изображений рентгенологами. Основным препятствием к широкому распространению стала не столько технология, сколько ее низкая экономическая эффективность [87—89]. Со временем появились исследования, подвергающие сомнению эффективность CAD-систем [90, 91]. Последующие анализы показали: врачи не меняли своих диагностических решений под влиянием CAD, что не привело к улучшению точности диагностики [92].
Эти данные свидетельствуют о том, что с течением времени врачи научились работать на уровне чувствительности CAD, благодаря чему их использование как второго мнения стало менее актуальным. В результате CAD-системы потеряли преимущество их применения на текущем уровне развития технологий. В исследовании A. Kohli, S. Jha «Почему CAD потерпел неудачу в маммографии?» отмечается, что ограниченные вычислительные ресурсы и отсутствие контролируемого обучения были ключевыми проблемами [93]. Авторы подчеркивают: для повышения спроса на CAD система должна «видеть то, что невидимо человеку». Таким образом, в маммографии начинается новая эра использования машинного обучения для анализа данных.