Урология №6 / 2024

Разработка системы на основе глубокого обучения для поддержки медицинских решений при определении оценки Pi-RADS

31 декабря 2024

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...

He Mingze, Еникеев М.Э., Рзаев Р.Т., Черненький И.М., Фельдшеров М.В., Li He, Hu Kebang, Шпоть Е.В., Глыбочко П.В.
Статья платная, чтобы прочесть ее полностью, вам необходимо произвести покупку
Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.