Вестник Российского общества урологов №1 / 2023
Искусственный интеллект в диагностике рака простаты: текущее состояние и перспективы развития
1) Институт клинической медицины им. Н.В. Склифосовского, Сеченовский университет, Москва, Россия;
2) Институт урологии и репродуктивного здоровья человека, Сеченовский университет, Москва, Россия;
3) Департамент урологии, Венский медицинский университет, Вена, Австрия
Рак предстательной железы – одно из немногих онкологических заболеваний, для скрининга которых подобран надежный маркер, простатспецифический антиген (ПСА). Несмотря на высокую чувствительность, часто его повышение бывает ложноположительным. Тем не менее именно повышение уровня ПСА на протяжении длительного времени служило поводом для проведения биопсии простаты. Стоит ли говорить, что процент неинформативных биопсий в таких условиях оставался достаточно высоким. Именно этот изъян процесса диагностики призвал международные ассоциации к разработке новых диагностических подходов; с их подачи все большая роль в алгоритмах диагностики отводится МРТ-исследованию. Многочисленные исследования продемонстрировали очевидные преимущества применения магнитно-резонансной томографии (МРТ): повышение выявляемости клинически значимых форм рака простаты, уменьшение количества нецелесообразных биопсий (практически на 30%) и, следовательно, числа нежелательных явлений от инвазивных диагностических пособий [1–3]. Однако повсеместное использование МРТ для диагностики рака простаты обнажило действующие ограничения этого метода: повысилась нагрузка на радиологические центры и проявился недостаток радиологов экспертного уровня, умеющих работать по протоколу Pi-RADS [4–7].
По этой причине у медицинского сообщества возник интерес к технологиям, способным упростить, ускорить и сделать более доступной МРТ, желательно при полном сохранении ее текущей диагностической точности и информативности. К счастью, XXI в. открыл путь развитию компьютерных технологий, призванных упростить работу человека. В решении подобных задач современные программисты отдают приоритет компьютерным системам на базе искусственного интеллекта (ИИ).
В нашей работе мы хотим познакомить читателя с базовыми представлениями о системах искусственного интеллекта, а также принципами их работы применительно к медицине в целом и онкологии в частности.
Искусственный интеллект – обобщенное понятие, объединяющее программы, оснащенные интеллектуальным модулем. Интеллектуальный модуль позволяет программам самостоятельно, то есть без прямого контроля со стороны человека, обучаться новым действиям и адаптироваться под меняющиеся условия и задачи [5]. Одним словом, такие программы способны самостоятельно «принимать решения», в то время как другие системы, лишенные интеллектуального модуля, нуждаются в «ручной подгонке» кода программы под каждую немного отличающуюся задачу. Это свойство ИИ обеспечивается встроенными в интеллектуальный модуль алгоритмами машинного обучения.
Машинное обучение – ветвь ИИ, отвечающая за способность программы к самообучению определенным навыкам (например, распознавать изображения, анализировать информацию). Для самообучения программе необходимы лишь новые данные, при этом контроль со стороны человека минимален и заключается лишь в постановке задач, обозначении возможных путей их решения и отборе «удачных находок» очередного поколения программы. Пример: есть архив МРТ-изображений, подлежащий анализу ИИ. На этапе создания системы машинного обучения программист пишет: «Нужно найти различающиеся на остальном фоне участки, они должны иметь отличную от фона интенсивность изображения, неровные края, повышенную плотность клеток, способность накапливать контраст». Программа анализирует предложенные МРТ-изображения, высказывает свои предположения в отношении потенциальной злокачественности очагов. Далее радиолог знакомится с результатами обработки изображений и делает правки, которые затем вносятся в техническое задание для программы; этим достигается повышение точности диагностики у следующих поколений этой системы [8].
К недостаткам систем машинного обучения можно отнести большой объем трудозатрат высококвалифицированных программистов на этапе создания программы, длительность разработки, требовательность к качеству вводных данных (данные должны быть максимально высокого качества и быть заранее «подготовленными» человеком). Кроме того, в силу своих особенностей системы на базе машинного обучения получаются практически не способными к поиску неп...
