КТ и искусственный интеллект: нейросети и машинное обучение в анализе КТ
О компании
Наши решения
Ресурсный центр

Свяжитесь с нами, чтобы узнать больше и начать сотрудничать с нами





    * Обязательное поле

    ООО «СберМедИИ» использует Cookies (файлы с данными о прошлых посещениях веб-сайта) для персонализации сервисов и удобства пользователей. Чтобы продолжить пользоваться сайтом необходимо дать согласие на использование файлов cookies и принять Условия использования cookies. Вы можете отказаться от обработки cookies, однако сайт будет недоступен для использования. Условия использования cookie

    Согласиться

    Искусственный интеллект при анализе КТ-снимков

    29 апреля 2022

    |

    Время чтения 9 минут

    Содержание

    Компьютерная томография (КТ) позволяет провести раннюю диагностику для широкого круга заболеваний. При проведении КТ перед диагностом стоит непростая задача: исследование должно быть эффективным и безопасным. Во время обследования пациент получает дозу рентгеновского излучения. Однако её снижение может привести к неудовлетворительному качеству снимка.

    Методики проведения КТ и интерпретации его результатов могут быть пересмотрены благодаря машинному обучению. Технологии на основе искусственного интеллекта (ИИ) дают возможность соблюсти баланс между качеством изображения и дозой излучения.

    Передовые технологии расширяют привычный спектр клинических задач, которые может решить врач с помощью КТ: от точной дифференциальной диагностики до интеллектуального прогнозирования.

    Важность использования технологий ИИ для распознавания КТ

    Алгоритмы машинного обучения позволяют изменить подход к применению компьютерной томографии:

    • повысить безопасность метода. Искусственный интеллект повышает ценность диагностической процедуры, позволяя извлечь больше информации из полученных снимков. При необходимости врач может провести реконструкцию изображения из нескольких срезов и повысить его качество путём обработки и фильтрации. При этом не нужно делать КТ повторно. Вычислительная обработка частично заменяет контрастные вещества, облегчая визуализацию патологических областей. Исследование можно проводить при меньших дозах облучения и нагрузке контрастом1;

    • обнаружить малозаметные патологии. Алгоритмы машинного обучения проводят сегментацию изображения с выделением зон интереса. Идентификация небольших находок, характерных для начальной стадии заболевания — важная составляющая ранней диагностики. На помощь врачу в решении данной задачи приходят возможности ИИ. Сервис «КТ Лёгких» от СберМедИИ позволяет выделить минимальные узелковые новообразования в лёгочной ткани, превышающие пороговое значение в 4 мм2;

    • уменьшить время интерпретации изображения. ИИ способен автоматизировать рутинные процессы: оценить объём поражения, составить предварительный отчёт, обеспечить быстрый обмен информацией между врачами. Благодаря интеллектуальной сортировке пациентов диагност в первую очередь уделяет внимание тяжёлым случаям3;

    • повысить клиническую достоверность результатов. Алгоритмы машинного обучения позволяют достичь высоких показателей прогнозирования и точности. Они выявляют скрытые закономерности при анализе снимка, а также проводят количественную оценку патологической области4. Данные визуализации могут объединяться с клиническими показателями, чтобы предсказать исход заболевания5.

    • рационально использовать ресурсы ЛПУ. Применение интеллектуальных технологий влияет на экономическую эффективность КТ. Повышается пропускная способность пациентов, достигается компромисс между дозой облучения и качеством снимка, снижается износ медоборудования6.

    Технологические аспекты применения ИИ

    Основные причины проблем классификации, с которыми мы можем столкнуться при применении ИИ7,8:

    • наборы данных могут содержать изображения с различными соотношениями сторон и цветовыми схемами, так как КТ-снимки могут быть получены на разных аппаратах и разными операторами;

    • несоответствие между набором данных, на котором была разработана интеллектуальная система, и набором данных, на котором она была развёрнута;

    • наличие артефактов изображения, которые компьютер может ошибочно принять за патологию;

    • применение классификаторов по типу «чёрного ящика»: трудно определить, как искусственный интеллект пришёл к тому или иному решению;

    • выбор архитектуры данных может в разной степени повлиять на систематическую ошибку классификации.

    Возникающая предвзятость алгоритма машинного обучения приводит к повышению частоты ложноположительных и ложноотрицательных результатов. Заболевание может быть ошибочно выявлено у здорового человека или не обнаружено у больного.

    Разработчики тщательно подбирают данные для обучения ИИ, предъявляя высокие требования к качеству снимков и их разметке. Данные медицинской визуализации могут подвергаться постобработке. Нейросети проводят реконструкцию изображения, удаление артефактов, шумоподавление9.

    Выбор объяснимых моделей классификации и сравнение их производительности позволяет уменьшить вероятность систематической ошибки и эффект «чёрного ящика». Последнее помогает врачу понять вычислительную логику машины и правильно поставить диагноз.

    ИИ при анализе КТ-изображений в диагностике коронавирусной пневмонии

    Женщина-врач работает за компьютером

    Компьютерная томография во время пандемии ускорила процесс диагностики вирусной пневмонии в условиях высокой загруженности врачей. Машинное обучение идентифицирует респираторное заболевание при разной природе возбудителя в условиях сходных симптомов10.

    Группа исследователей из США опубликовала в Nature Communications результаты разработки алгоритма машинного обучения. Он способен выявлять признаки COVID-19 по КТ-снимкам грудной клетки. В ходе исследования учёные протестировали две классификационные модели11:

    • полная 3D-модель использовала всю область лёгких, преобразовывая изображение в соответствии с заданными размерами;

    • гибридная 3D-модель строила изображение на основе нескольких томографических срезов.

    Для обучения, проверки и тестирования модели было использовано 2724 сканирования 2617 пациентов, в том числе с подтверждённой коронавирусной инфекцией. Изображения, предназначенные для обучения модели, были предварительно аннотированы экспертами‑рентгенологами. Оценка эффективности системы проводилась в четырёх независимых учреждениях Китая, Италии и Японии11.

    В одном из тестирований исследователи сосредоточились на диагностике патологий лёгких, исключив из рассмотрения внелёгочные патологии грудной клетки. Полная 3D-модель правильно определила признаки вирусной пневмонии COVID-19 у 87 из 109 пациентов. При этом гибридная 3D-модель смогла идентифицировать характерные для заболевания изменения на КТ для 74 из 109 пациентов11.

    Учёные отмечают: алгоритм столкнулся с трудностями при определении природы респираторной инфекции. Отмечалась вероятность ложноположительного результата для пневмоний бактериальной, грибковой и вирусной природы, не относящей к COVID-1911.

    При этом алгоритм оказался точнее в случае ранней пневмонии, а не прогрессирующего течения. Его применение включает количественную оценку поражённых тканей и характеристику их изменения11.

    Проблемой дифференциальной диагностики при COVID-19 при помощи искусственного интеллекта заинтересовались учёные из Китая. Нейронная сеть COVNet – разработка, призванная эффективно различать признаки коронавирусной инфекции и внебольничной пневмонии на диагностических снимках12.

    Принцип работы трёхмерной модели машинного обучения был представлен в журнале Radiology12:

    • в качестве входных данных нейросеть использует фрагменты КТ-снимка;

    • генерируется функция для соответствующих фрагментов;

    • извлечённые элементы объединяются с составлением карты функций;

    • оценивается вероятность для каждой патологии: пневмонии при COVID-19, внебольничной пневмонии и заболевания, которое не является пневмонией.

    Для визуализации поражённых зон учёные ввели тепловые карты. Для каждого прогнозируемого класса алгоритм выделяет красным цветом подозрительные области, при этом не нуждаясь в дополнительной ручной аннотации. Это позволяет акцентировать внимание рентгенолога при интерпретации результатов исследования12.

    COVNet продемонстрировал высокие результаты при обнаружении COVID-1912:

    • чувствительность составила 90%, а специфичность 96%;

    • нейросеть смогла с высокой точностью различить вирусную пневмонию COVID-19 и внебольничную пневмонию: показатель классификации AUC составил 0,96 и 0,95 соответственно.

    Учёные из Фуданьского университета в Шанхае и Уханьского университета рассмотрели применение машинного обучения при анализе КТ-снимков для оценки степени тяжести COVID-1913.

    В ретроспективном исследовании приняли участие 140 пациентов с коронавирусной инфекцией. Собранные клинические и лабораторные сведения были дополнены данными медицинской визуализации. Свёрточная нейронная сеть проводила количественную оценку лёгочных очагов на КТ-снимках, подтверждённых рентгенологами, и суммировала полученные баллы13.

    Рейтинговая система AI-CT на основе ИИ продемонстрировала высокую прогностическую точность с AUC, равным 0,929. Это позволило быстрее выявить пациентов в тяжёлом состоянии и провести оксигенотерапию или вентиляцию лёгких13.

    Искусственный интеллект внёс существенный вклад в борьбу с пандемией, помогая решать не только диагностические задачи. Применение ИИ в лечении COVID-19 позволило перепрофилировать лекарства и ускорить процесс разработки вакцины.

    Выявление рака лёгких на ранней стадии по КТ

    Исследователи из Медицинского центра Университета Раудбауд в Нидерландах рассмотрели возможности нейронной сети для классификации узелковых новообразований при скрининговой КТ14.

    В публикации в Scientific Reports рассматривается шесть типов узелков, которые различаются на КТ текстурой, формой, интенсивностью изображения. Врачу необходимо не только установить природу диагностической находки, но и определить вероятность перехода в злокачественную форму. Это поможет правильно выстроить тактику при дальнейшем наблюдении14.

    Учёные разработали структуру классификации на основе свёрточных нейросетей ConvNets. Каждый рентгенолог может оценить находку на КТ по-разному, поэтому исследователям было важно взять за основу стандартизированные подходы к диагностике новообразований. Система базируется на категориях оценки Lung-RADS и модели вероятности злокачественности PanCan14.

    Как проводилось исследование14?

    • После обучения и проверки алгоритма на данных более 1000 пациентов учёные приступили к тестированию.

    • Эффективность нейросети сравнивалась с заключениями одного врача-радиолога и двух врачей-рентгенологов с более чем 20-летним опытом чтения КТ-снимков.

    • Диагносты просматривали снимки и обозначали узелковое новообразование и его тип.

    Средняя точность нейронной сети оказалась сравнима с точностью человека: результаты показали 72,9% против 69,6% соответственно. При этом исследователи отмечают, что и врач, и компьютер способны ошибочно идентифицировать находку на КТ14.

    Сервис «КТ Лёгких» от компании СберМедИИ помогает врачу-рентгенологу выявить онкологическое заболевание лёгких на ранней стадии:

    • анализирует томографические снимки органов грудной клетки;

    • выявляет минимальные узелковые новообразования в лёгочной ткани, размеры которых превышают пороговое значение в 4 мм;

    • подсвечивает подозрительные находки, обращая на них внимание диагноста.

    Алгоритм может быть использован в ходе ретроспективного исследования пациентов с COVID-19. При этом снимки, на которых врач ранее выявил вирусную пневмонию, анализируются повторно на предмет новообразований в лёгких.

    Команда Google Health занимается проблемами прогнозирования рака лёгких с 2017 года. Их модель машинного обучения позволила сделать шаг вперёд в ранней диагностике злокачественной опухоли. Результаты были опубликованы в 2019 году в журнале Nature Medicine15.

    Вот как разработанное программное обеспечение может помочь врачам и пациентам15:

    • может учитывать результаты предыдущих исследований;

    • генерирует модели в трёхмерном объёме;

    • выявляет небольшие узелки в лёгочной ткани;

    • позволяет оценить общий прогноз злокачественности.

    Исследователи приводят многообещающие цифры15:

    • компьютер выявил на 5% больше случаев рака, чем команда из шести рентгенологов;

    • на 11% уменьшилось количество ложноположительных результатов, когда пациенту диагностировали онкологическое заболевание, а он был здоров;

    • показатель эффективности классификации AUC достиг 94,4%.

    Цель исследователей — с помощью алгоритмов машинного обучения повысить ценность скрининга рака лёгких. Команда планирует продолжить дальнейшие клинические исследования по всему миру15.

    Применение искусственного интеллекта — это способ повысить точность и скорость выявления рака лёгких. Объединив свой опыт с вычислительными возможностями передовых технологий, врач способен ответить на вопрос «Что делать дальше?» в пользу пациента.

    Источники

    1. Макколлоу СН, Лендж С. Использование искусственного интеллекта в оптимизации дозы компьютерной томографии // Ann ICRP. 2020 Декабрь;49:113-125. doi: 10.1177/0146645320940827.

    2. КТ Легких ❘ SBERMEDAI: сайт SberMedAI. [Электронный ресурс]. URL: https://sbermed.ai/diagnostic-center/our-algorithms/ct-lungs/. (дата обращения 17.03.2022)

    3. Соун ДжЭ, Чау ДС, Нагамин М, и др. Искусственный интеллект и визуализация острого инсульта // AJNR Am J Neuroradiol. 2021 янв;42(1):2-11. doi: 10.3174/ajnr.A6883.

    4. Озсахин И., Секероглу Б., Муса М.С., и др. Обзор диагностики COVID-19 по изображениям КТ грудной клетки с использованием искусственного интеллекта // Comput Math Methods Med. 2020;2020:9756518. doi: 10.1155/2020/9756518.

    5. Стазиаки П.В., Ву Д., Райан Дж.С., Санто ИДО, и др. Машинное обучение, объединяющее результаты КТ и клинические параметры, улучшает прогнозирование продолжительности пребывания в отделении интенсивной терапии при травме туловища // Eur Radiol. 2021 июль; 31 (7): 5434-5441. doi: 10.1007/s00330-020-07534-w.

    6. Влияние искусственного интеллекта на компьютерную томографию [Электронный ресурс]: Imagine Technology News. URL: https://www.itnonline.com/article/impact-artificial-intelligence-ct-imaging. (дата обращения: 17.03.2022)

    7. Палатник де Соуза И., Велласко ММБР, Коста да Силва Э. Объяснимый искусственный интеллект для обнаружения предвзятости в классификаторах КТ-сканирования COVID // Sensors. 2021;21(16):5657. doi: 10.3390 / s21165657.

    8. Финлейсон С.Г., Суббасвами А., Сингх К., и др. Клиницист и изменение набора данных в искусственном интеллекте // N Engl J Med. 2021 15 июля;385(3):283-286. doi: 10.1056/NEJMc2104626.

    9. Ли М, Ким Х, Ким ХДж. Реконструкция КТ с разреженным изображением на основе многоуровневой вейвлетной сверточной нейронной сети // Phys Med. 2020 декабрь; 80: 352-362. doi: 10.1016/j.ejmp.2020.11.021.

    10. Бельфиоре М.П., Урраро Ф., Грасси Р., и др. Искусственный интеллект для кодирования КТ легких у пациентов с Covid-19 // Radiol Med. 2020 май; 125(5):500-504. doi: 10.1007/s11547-020-01195-x.

    11. Хармон Стефани А, Сэнфорд Томас Х, Шэн Сюй, и др. Искусственный интеллект для обнаружения пневмонии COVID-19 на КТ грудной клетки с использованием многонациональных наборов данных // Nat Commun. 11, 4080 (2020). doi: 10.1038/s41467-020-17971-2.

    12. Ли Л, Цинь Л, Сюй З, и др. Использование искусственного интеллекта для выявления COVID-19 и общинной пневмонии на основе КТ легких: оценка точности диагностики // Radiology. 2020;296(2):E65-E71. doi:10.1148/radiol.2020200905.

    13. Хайн Й, Му СЧ, Чжан ХД, и др. Компьютерная томография с искусственным интеллектом помогает оценить тяжесть состояния пациентов с COVID-19: ретроспективное исследование // World J Emerg Med. 2022;13(2):91-97. doi: 10.5847/wjem.j.1920-8642.2022.026.

    14. Чомпи Ф, Чанг К, ван Риэль СДж, и др. К автоматическому управлению легочными узлами при скрининге рака легких с помощью глубокого обучения // Scientific Reports. 2017;7:46479. doi: 10.1038 / srep46479.

    15. Многообещающий шаг вперёд в прогнозировании рака лёгких [Электронный ресурс]: Google. URL: https://blog.google/technology/health/lung-cancer-prediction/. (дата обращения: 28.01.2022)

    Похожие статьи