Терапия №7 / 2022
Применение искусственного интеллекта для анализа эндоскопических изображений при воспалительных заболеваниях кишечника
1) ФГБОУ ВО «Северо-Западный государственный медицинский университет им. И.И. Мечникова» Минздрава России, г. Санкт-Петербург;
2) ФГАОУ ВО «Санкт-Петербургский государственный электротехнический университет “ЛЭТИ“ им. В.И. Ульянова (Ленина)»
Аннотация. Язвенный колит (ЯК) и болезнь Крона (БК) нередко приводят к развитию осложнений при отсрочке назначения базисной терапии. Задержка верификации заболевания составляет до 2 лет для БК и до 10 мес для ЯК, а до 25% случаев воспалительных заболеваний кишечника (ВЗК) диагностируются спустя 2 года от появления симптомов. В последние годы создаются методы выявления ВЗК на основе искусственных сетей (ИНС), повышающие точность диагностики и тем самым улучшающие прогноз пациентов.
Цель исследования – создание метода диагностики и дифференциальной диагностики ВЗК, основанного на анализе ИНС эндоскопических изображений.
Материал и методы. В исследование были включены пациенты от 18 лет с БК толстой кишки и ЯК после исключения кишечных инфекций, имевшие эндоскопическое обострение. Группой сравнения служили пациенты с визуально неизмененной слизистой толстой кишки. Пациентам проводилась видеоколоноскопия, в ходе которой полученные цифровые изображения были подвергнуты фильтрации с использованием фильтра нелокального среднего и улучшению контраста методом адаптивной контрастно-ограниченной эквализации гистограммы. Нами были разработаны ИНС на основе сети VGG16: первая сеть определяла наличие изменений слизистой, вторая давала заключение о виде ВЗК. Входным элементом являлись цифровые изображения, а выходной слой ИНС давал заключение о наличии патологии и виде ВЗК.
Результаты. ИНС выявляла патологию с точностью 89,3% и дифференцировала ВЗК с точностью 81,9%. ИНС обнаруживала норму с точностью 88% и в сравнении с другими классами лучше определяла ЯК (точность 90%), а также наиболее хорошо отличала класс БК от других классов (точность 92%). Общая точность составила 84,6%. На основе разработанных ИНС была создана система поддержки принятия решений врача (СППРВ).
Заключение. Разработанные модели показали умеренную точность в выявлении ВЗК и высокую в определении ЯК и БК. Созданная СППРВ может сократить время верификации ВЗК и быть использована как дополнительный инструмент в практике врачей.
ВВЕДЕНИЕ
Язвенный колит (ЯК) и болезнь Крона (БК), относящиеся к группе воспалительных заболеваний кишечника (ВЗК), являются хроническими заболеваниями с прогрессирующим течением при отсутствии адекватной терапии [1, 2].
На данный момент основной метод диагностики ВЗК – анализ клинико-анамнестических данных, а также проведение видеоколоноскопии с морфологическим исследованием [1, 2]. Однако в связи с отсутствием характерных признаков даже в развитых странах ВЗК нередко диагностируются спустя несколько месяцев и лет с момента манифестации заболевания [1, 2, 3–6]. Так, задержка верификации БК составляет от 3,4 до 23 мес, а ЯК – от 2 до 10 мес [3, 4]. Более того, от 8 до 25% пациентов остаются без диагноза более 24 мес, что может приводить к увеличению числа осложненных форм БК и потребности хирургического лечения как при ЯК, так и БК [5–9]. По нашим данным, в Санкт-Петербурге БК в среднем диагностируется спустя 27,4 мес, а ЯК – 12,1 мес, что коррелирует с зарубежными данными [10].
В последнее десятилетие в гастроэнтерологии все чаше начинает использоваться и внедряться в практику искусственный интеллект (ИИ) на основе сетей глубокого обучения, который позволяет в более короткие сроки и с большей точностью выявлять то или иное заболевание [11–13].
Цель исследования – разработать метод диагностики и дифференциальной диагностики ВЗК с использованием ИИ посредством анализа эндоскопических изображений.
МАТЕРИАЛ И МЕТОДЫ
Формирование базы изображений проводилось при обследовании пациентов в условиях Северо-Западного центра ВЗК (на базе Северо-Западного государственного медицинского университета (СЗГМУ) им. И.И. Мечникова, г. Санкт-Петербург) и отделения гастроэнтерологии клиники Петра Великого. В исследование включались данные пациентов старше 18 лет с верифицированными диагнозами ЯК и БК толстой кишки. Исследование было одобрено локальным этическим комитетом СЗГМУ им. И.И. Мечникова.
Диагноз ВЗК устанавливался с учетом российских клинических рекомендаций по ведению пациентов с ЯК и БК [1, 2]. Основным условием включения в исследование было наличие эндоскопических признаков обострения основного заболевания: SES-CD (Simple endoscopic score – простая эндоскопическая шкала болезни Крона) >2 баллов для БК и >1 балла по шкале Schroeder для ЯК [1, 2, 14].
Из исследования исключались пациенты с ремиссией ВЗК, недифференцированным колитом и подтвержденными кишечными инфекциями. Группой сравнения выступали пациенты, у которых при выполнении видеоколоноскопии (ВКС) отсутствовали патологические изменения слизистой оболочки толстой кишки.
Всем пациентам выполнялась ВКС эндоскопами высокого разрешения (CF H185L, Olympus Medical Systems, Токио, Япония, EC-3890LZi, Pentax Lifecare Division, Токио, Япония) с осмотром всех отделов толстой кишки и фотофиксацией в эндоскопическом отделении клиники Петра Великого. Часть изображений толстой кишки пациентов была включена ретроспективно, и они были обезличены. Пациенты, проходившие ВКС проспективно, подписали информированное согласие на участие в исследовании и вошли в валидационную когорту.
Этапы формирования базы данных изображений и обучения искусственных нейронных сетей
При проведении ВКС были получены цифровые изображения слизистой оболочки толстой кишки (варианты нормы и варианты с патологическими изменениями слизистой оболочки), которые имели одинаковый размер в формате JPEG с разрешением 1350×1080 пикселей. Все снимки оценивались врачом-экспертом, были удалены засвеченные и нечеткие изображения, изображения с артефактами и посторонними предметами. В дальнейшем изображения были приведены к размеру 256×256 пикселей и подвергнуты фильтрации с использованием фильтра нелокального среднего [15] и улучшению контраста методом адаптивной контрастно-ограниченной эквализации гистограммы [16].
Для выявления и дифференциальной диагностики ВЗК были разработаны две искусственные нейронные сети (ИНС): одна определяла наличие или отсутствие ВЗК, вторая принимала решение о нозологической форме при ВЗК – ЯК или БК. Ввиду ограниченного массива изображений для обучения модели с нуля ИНС была основана на сверточной нейронной сети VGG16 [17], обученной на миллионах изображений из базы ImageNet. Для классификации эндоскопических изображений полносвязный слой сети VGG16 был заменен разра...
