Урология №6 / 2024
Разработка системы на основе глубокого обучения для поддержки медицинских решений при определении оценки Pi-RADS
1) Институт урологии и репродуктивного здоровья человека, Сеченовский университет, Москва, Россия;
2) Отделение лучевой диагностики университетской клинической больницы № 2, Сеченовский университет, Москва, Россия;
3) Отделение лучевой диагностики, Первая больница Цзилиньского университета, Чанчунь, Китай;
4) Отделение урологии, Первая больница Цзилиньского университета, Чанчунь, Китай
Цель исследования заключается в разработке системы компьютерной диагностики (computer-aided diagnosis, CAD) с целью минимизации риска человеческих ошибок при градации по системе PI-RADS, что способствует улучшению процесса принятия врачебных решений.
Материалы и методы. Ретроспективное многоцентровое исследование включило 136 пациентов, из которых 108 составили больные раком предстательной железы (РПЖ) (оценка PI-RADS 4–5)
и 28 случаев – пациенты с доброкачественными заболеваниями предстательной железы (оценка PI-RADS 1–2). Для анализа изображений была применена архитектура 3D U-Net, обрабатывающая T2-взвешенные изображения (T2W), диффузионно-взвешенные изображения (DWI) и изображения с динамическим контрастированием (DCE). Статистический анализ проводили с использованием библиотек Python для оценки диагностической эффективности, включая чувствительность, специфичность, коэффициенты сходства Dice и площадь под кривой характеристик работы приемника (AUC).
Результаты. Система DL-CAD достигла средней точности 78%, чувствительности 60% и специфичности 84% для выявления очагов поражений в простате. Коэффициент сходства Dice для сегментации предстательной железы составил 0,71, а AUC – 81,16%. Система продемонстрировала высокую специфичность в снижении ложноположительных результатов, что после оптимизации системы сможет минимизировать ненужные биопсии и «избыточное» лечение.
Заключение. Система DL-CAD демонстрирует потенциал в поддержке процесса принятия клинических решений для пациентов с клинически значимым РПЖ за счет повышения точности диагностики, особенно в минимизации вариабельности при интерпретации результатов несколькими рентгенологами (межэкспертная вариабельность). Несмотря на высокую специфичность, требуются дополнительные исследования для улучшения чувствительности и точности сегментации, что может быть достигнуто за счет использования более крупных массивов данных и передовых методов DL. Дальнейшая многоцентровая валидация необходима для более активной интеграции данной системы в клиническую практику.
Введение. Рак предстательной железы (РПЖ) является одним из наиболее распространенных урологических злокачественных новообразований, поражающих мужчин преимущественно среднего и пожилого возраста, и демонстрирует тенденцию роста заболеваемости. В то время как рутинные методы диагностики РПЖ включают пальцевое ректальное исследование и тестирование на простатический специфический антиген (ПСА), трансректальное ультразвуковое исследование (ТРУЗИ) исторически являлось основным методом визуализации в диагностике РПЖ [1, 2]. Однако его диагностическая ценность была снижена из-за недостаточной чувствительности и специфичности, особенно в отношении выявления поражений в переходной зоне. Вследствие этого основным методом радиологического скрининга при подозрении на РПЖ стала мультипараметрическая магнитно-резонансная томография (мпМРТ) [3, 4]. Кроме того, биопсия с фьюжн-навигатором МРТ/ТРУЗИ доказала свою эффективность в повышении точности выявления поражений, что способствует улучшению планирования лечения [5, 6]. Система оценки Prostate Imaging Reporting and Data System (PI-RADS) предлагает обширную методологическую базу, включающую стандартизированные протоколы для получения, интерпретации и составления отчетов по результатам мпМРТ [7]. Использование сочетания мпМРТ с оценочной системой PI-RADS значительно повысило точность диагностики и стадирования РПЖ, одновременно предоставляя более точные рекомендации для проведения последующих биопсий. Это интегрированное применение мпМРТ позволило значительно снизить частоту случаев гипердиагностики [8, 9]. Несмотря на клиническую пользу мпМРТ в диагностике РПЖ, интерпретация данных мпМРТ является сложной, трудоемкой задачей, что во многом связано с ограничениями чувствительности и специфичности [10, 11], которая требует высокого уровня профессиональных навыков и качества экспертизы. Кроме того, межэкспертная вариабельность (отличие в интерпретации и выставление баллов по классификации Pi-RADS v2.1 несколькими рентгенологами одного МРТ исследования) часто демонстрируют значительные вариации [12, 13]. Эти проблемы ограничивают более широкое применение мпМРТ в диагностике РПЖ. В ответ на эти вызовы технологии глубокого обучения (deep learning, DL) стали ведущей моделью искусственного интеллекта в области машинного обучения с целью сокращения времени интерпретации, повышения точности анализа изображений и снижения риска чрезмерного лечения [14, 15]. Исходя из этого, наши исследовательские цели сосредоточены на разработке системы компьютерной помощи в диагностике (computer-aided diagnosis, CAD), основанной на моделях DL. Эта система предназначена для ускорения определения баллов PI-RADS радиологами и предоставления врачам более точной информации о заболевании. Однако, учитывая важность правильного выбора алгоритма DL и недостаток аннотированных данных для адекватного обучения моделей DL [16], а также сложность междисциплинарного взаимодействия, создание желаемой системы DL-CAD, соответствующей нашим целям, является сложной задачей. В связи с этим мы проводим это предварительное и ключевое исследование для представления наших первоначальных результатов.
Цель исследования заключается в разработке системы компьютерной диагностики (computer-aided diagnosis, CAD) с целью минимизации риска человеческих ошибок при градации по системе PI-RADS, что способствует улучшению процесса принятия врачебных решений.
Материалы и методы
Дизайн исследования и популяция пациентов
Ретроспективное мультицентровое исследование проведено в Институте урологии и репродуктивного здоровья Сеченовского университета и в Первой больнице Цзилиньского университета. Исследование получило одобрение институционального наблюдательного совета (№ 02-23 от 26.01.2023), и требование о письменном информированном согласии было отменено. Исследование проводилось в соответствии с Хельсинкской декларацией.
На начальном этапе необходимо выбрать наиболее подходящую модель DL и обучить ее для последующего выявления очага поражения. Таким образом, были отобраны пациенты, которым в период с января 2020 г. по май 2024 г. проводилась м...