Урология №3 / 2021
Применение интеллектуального анализа в урологии
1) Институт урологии и репродуктивного здоровья человека ФГАОУ ВО «Первый МГМУ им. И. М. Сеченова» Минздрава России (Сеченовский Университет), Москва, Россия;
2) Федеральное государственное бюджетное учреждение науки, Центр информационных технологий в проектировании Российской академии наук, Московская область, г. Одинцово, Россия
В обзоре изложены основные методы интеллектуального анализа (ИА), используемые в современной медицине. К основным направлениям применения ИА в здравоохранении относятся диагностика, лечение, прогноз течения и результатов терапии различных заболеваний. В основе работы ИА заложены математические методы и алгоритмы. Представленный обзор отображает базовые понятия ИА с отображением примеров использования в урологической практике.
В настоящее время в мировой системе здравоохранения используется модель 5П-медицины (5ПМ). В понятие 5ПМ заложены предикция (предсказательность), превентивность (профилактика), персонализация, партисипативность (вовлеченность), прецизионность (точность) [1]. Концепция 5ПМ рассматривает индивидуальные особенности состояния здоровья организма человека с его генетическими и геномными предрасположенностями с учетом социального, профессионального и поведенческого статуса индивидуума в определенных условиях окружающей среды [1]. Переход к модели 5ПМ возможен только при условии использования смежных медицинских дисциплин и новых подходов к области технологий.
Обработка и анализ большого объема медицинских данных для быстрого принятия решения по тактике терапии становятся невозможными без использования информационных технологий и подходов к области интеллектуального анализа (ИА) данных. В урологии с начала XXI в. ИА широко используется в диагностике, лечении и прогнозировании различных урологических заболеваний [3–5]. Среди применяемых подходов и методов в области ИА – искусственные нейронные сети, компьютерное зрение, генетические алгоритмы, эволюционное программирование и др. Данные методы формируют обширную отрасль компьютерных наук, названной искусственным интеллектом (ИИ) [6].
Искусственный интеллект сфокусирован на создании умной машины, способной успешно решать интеллектуальные задачи с использованием сложных нелинейных математических систем моделирования, состоящих из базовых строительных блоков, имитирующих человеческие нейроны [3]. Механизм работы ИИ предполагает обучение на имеющихся экспериментальных данных с включением нескольких модулей: обучения, предварительной обработки и диагностики без предположений. Методы взаимодействия между модулями основаны на статистическом распределении и прогнозировании неизвестных значений, что обеспечивает использование объективных данных при принятии решений [3].
Способность программного обеспечения на базе ИИ обучаться на реальных откликах и адаптироваться под текущие условия делает эти технологии уникальными среди медицинских программ [7]. Процесс адаптации может быть направлен на решение различных клинических задач с оптимизацией производительности в конкретной среде. Оптимизация производительности основана на использовании персонифицированного подхода к достижению поставленной задачи, а повышение производительности происходит за счет сбора большего количества входящих данных [7].
В качестве источника информации могут использоваться различные показатели пациентов: демографические, клинические, результаты лучевых и гистологических методов визуализации в формате DICOM (Digital Imaging and Communications in Medicine), характеристики биологических молекул, таких как ДНК (геномика), РНК (транскриптомика), белки (протеомика) и метаболиты (метаболомика) [3].
Применение различных методов из области ИИ способствует повышению точности медицинской визуализации в диагностике заболеваний; позволяет автоматизировать рутинные задачи; удалять расхождения в результатах, связанные с человеческим фактором. Кроме того, возможен контроль качества и выявления наиболее часто пропускаемых особенностей визуализируемой картины [8].
В исследовании Sood et al. ИИ применялся в решении вопросов совершенствования диагностики рака предстательной железы по данным предоперационной магнитно-резонансной томографии (МРТ). В алгоритм машинного обучения (МО) были включены оцифрованные результаты гистологического исследования пациентов, перенесших радикальную простатэктомию, и DICOM-данные предоперационной МРТ. Процесс МО проходил в три этапа. На первом этапе разработана новая генерирующая состязательная сеть с выполнением 3D-реконструкции данных МРТ и 3D-гистологических срезов для каждого наблюдения. Вторым этапом проведено обучение модели МО, в ходе которого сопоставлены характеристики текстуры гистологических 3D-срезов и 3D-МРТ. На третьем этапе определена степень распространенности аденокарциномы в предстательной железе при анализе МРТ в предоперационном периоде. В заключение авторы отметили, что предложенный алгоритм МО позволит более персонифицированно подходить к диагностике и стадированию рака предстательной железы [9].
Методы МО используются также и для неинвазивной предоперационной морфологической верификации образований паренхимы почки. В работе Zhang et al. оценили возможность текстурного анализа 127 наблюдений кортикомедулярной фазы мультиспиральной компьютерной томографии (МСКТ) для определения морфологической природы образований паренхимы почки. Текстурный анализ включал среднее значение интенсивности серого цвета, эксцесс, асимметрию, энтропию, стандартное отклонение SD (standard deviation), среднее значение положительных пикселей MPP (mean of positive pixels). Далее был применен метод опорных векторов (SVM – support vector machines) и сформированы модели, в которые в различных сочетаниях включались данные анализа. Созданные прогностические модели проверены на точность...
