Как нейросети помогают обнаружить и лечить рак

Высокий уровень рецидивов и смертности от рака сочетается с длительным и дорогостоящим лечением. Снижение эффективности медицинской помощи на поздних стадиях заставляет исследователей и врачей искать новые способы раннего обнаружения опухолей. Искусственный интеллект (ИИ) расширяет клинические возможности в диагностике и терапии злокачественных новообразований.

Искусственный интеллект в онкологии

Технологии улучшают лечебно-диагностический процесс в онкологии на всех этапах:

• Организация диагностики. ИИ повышает пропускную способность инструментальных методов исследования за счёт ускоренной вычислительной обработки. Также искусственный интеллект помогает получить диагностический снимок более высокого качества¹.

• Скрининг и оценка опухоли. Алгоритмы позволяют точно оценивать объём и структуру опухоли, анатомическое взаимоотношение с другими тканями, отслеживать множественные поражения. ИИ развивает диагностику в направлении неинвазивных методов: обследование пациента проводится без нарушения целостности тканей организма².

• Стратификация риска. Нейронная сеть на основе клинических данных (анамнез, диагностические снимки, патогистологические заключения, информация о биомаркерах) определяет уровень риска для опухоли, а также вероятность её дальнейшего прогрессирования³.

• Прогноз и планирование терапии. На основе данных инструментальных исследований проводится оценка выживаемости пациента. С помощью медицинской визуализации алгоритмы предсказывают возможный ответ на иммунотерапию⁴. ИИ способен с высокой точностью оценить остаточную опухоль ещё до проведения операции⁵.

Благодаря искусственному интеллекту помощь при раке становится более персонализированной. Дифференциальная диагностика опухоли, вероятностная оценка исходов, прогнозирование ответа на терапию — возможности для индивидуального подхода к пациенту.

Улучшение скрининга и диагностики рака

Методы ИИ способны «увидеть» новообразование на медицинских изображениях и дать ему оценку^6,7:

• Для обучения используются базы данных с диагностическими снимками.

• Машинное обучение позволяет классифицировать опухоль на основе заранее заданных функций. Исследователь вводит характеристики новообразования: объём, форма, расположение.

• Глубокое обучение является более продвинутой ветвью ИИ. Оно не требует большого количества входных характеристик, а также способно автоматически обучаться по мере решения новых задач.

В процессе обработки алгоритм проводит сегментацию изображения с выделением подозрительных зон. Данные с них попадают в цепочку классификаций. Сначала определяется возможная злокачественность опухоли в выделенной области. Затем ей присваивается стадия в соответствии с общепринятыми шкалами⁶.

Искусственный интеллект в цифровой патологии: как технологии обнаруживают рак по биопсии

У многих мужчин в мире чаще всего диагностируется рак предстательной железы⁸. Для верификации диагноза проводится биопсия под контролем ультразвукового исследования⁹. После процедуры пациенты могут сталкиваться с болью, лихорадкой, кровотечениями¹⁰. При этом метод может показать отрицательный результат, а вероятность наличия злокачественной опухоли сохраняется¹¹.

Клиницистам важно повысить информативность уже первой биопсии. Это поможет избежать повторения болезненной процедуры в будущем и не упустить ценное время.

В медицинском журнале The Lancet опубликован совместный научный проект учёных из Швеции, Финляндии, Новой Зеландии и Великобритании. Сложность выявления рака предстательной железы заставила исследователей искать новые подходы к его диагностике. На помощь пришли передовые технологии: нейронные сети обнаруживают и оценивают заболевание по данным биопсии¹².

Для обучения алгоритмов использовались более 6 тысяч оцифрованных биоптатов. Решения ИИ сравнивались с оценками специалистов в урологии и патологической анатомии. Нейронная сеть сумела с точностью классификации AUC > 0.9, сравнимой с экспертной, различить доброкачественные и злокачественные образцы. ИИ также спрогнозировал исход заболевания, оценив степень злокачественности по шкале Глисона¹².

Платформа Galen от Ibex Medical Analytics стала первым программным обеспечением для диагностики рака простаты по биопсии, которое используется в клинических условиях в Великобритании, сообщает BBC. ИИ уже помог 105 мужчинам, поставив каждому правильный диагноз¹³.

Алгоритм позволяет¹³:

• автоматизировать ручную проверку;

• сократить продолжительность исследования с часа до нескольких минут;

• точно определить наличие патологии, что особенно важно в связи со сложностью забора материала.

Разработчики планируют продолжить клинические исследования, чтобы расширить применение ИИ. Возможности технологий используют и для диагностики рака молочной железы¹³.

«Второе зрение»: нейросеть обучена выявлять рак легких по томографическим снимкам

По данным ВОЗ, в 2020 году среди онкологических заболеваний рак лёгких стал самой частой причиной смерти: от заболевания умерли около 1,8 миллиона человек¹⁴. В большинстве стран только около 10-20% людей живёт не менее пяти лет после постановки диагноза⁸. Выявление болезни на поздней стадии снижает эффективность лечения¹⁵.

ИИ может изменить ход событий в пользу пациента, выявляя даже небольшие злокачественные образования.

Исследователи из Google AI, Северо-Западного университета в Чикаго и других организаций разработали нейросеть, способную обнаружить рак лёгких по томографическим снимкам, сообщает Nature. Алгоритм даёт шанс пациентам на своевременное лечение, выявляя опухоль на ранних стадиях¹⁶.

За счёт глубокого обучения ИИ становится всё более опытным помощником с каждым новым снимком, достигая высокой точности решений. Учёные продемонстрировали это, опубликовав свои результаты в Nature Medicine в 2019 году. Нейронная сеть поставила верный диагноз в 94% случаев, опередив группу из 6 врачей-рентгенологов¹⁶.

Диагностика рака лёгких по данным компьютерной томографии улучшается благодаря опциям КТ Легких от российской команды СберМедИИ. Сервис использует искусственный интеллект для обработки КТ-снимков, которые были собраны во время пандемии COVID-19. Таким образом, ретроспективный анализ позволяет медицинским учреждениям провести массовый скрининг населения по уже имеющимся архивам КТ исследований:

• алгоритмы автоматически распознают мелкие узловые новообразования в лёгочной ткани;

• если они превышают минимальное пороговое значение в 4 мм, ИИ выделяет их;

• рентгенолог обращает внимание на подсвеченные участки и учитывает их при постановке диагноза.

Сервис КТ Легких автоматизирует визуальный поиск патологических зон. Это помогает врачам оперативно и точно выявить лёгочные новообразования.

Точность решений нейросети и рентгенологов

Благодаря совершенствованию архитектуры алгоритмов и использованию больших обучающих данных, искусственный интеллект становится высокотехнологичным «коллегой» для врача.

Эту тенденцию подтвердило международное исследование, проведённое в 2019 году. Учёные из Нидерландов, Швеции, Великобритании сравнили точность решений ИИ и специалистов в лучевой диагностике¹⁷.

Методика исследования представлена в публикации Journal of the National Cancer Institute¹⁷:

• выбраны снимки маммографии — важного метода скрининговой диагностики образований в молочной железе;

• нейросеть была обучена на обширной базе данных: более 9000 мамограмм с патологией и 180 000 маммограмм с нормальной тканью;

• решения искусственного интеллекта оценивались для 2652 случаев;

• одновременно снимки интерпретировал 101 рентгенолог.

Точность классификации AUC нейронной сети составила 0,840. Производительность ИИ не уступает специалистам: у них среднее значение AUC равно 0,814. Результаты искусственного интеллекта в диагностике рака молочной железы оказались выше, чем у 61,4% рентгенологов¹⁷.

Как искусственный интеллект определяет опухоль по клинической фотографии

Злокачественное новообразование кожи — меланома — успешно лечится на ранних стадиях. Для этого применяют локальное хирургическое удаление опухоли. Но если меланому не выявить вовремя, она способна глубже проникнуть в ткани. Это существенно повышает вероятность метастазирования и ухудшает прогноз¹⁸.

В случае самообследования кожи человек склонен недооценивать возможное заболевание или, наоборот, реагировать слишком остро. Информативность специализированного метода, дерматоскопии, зависит от опыта специалиста, кроме того, осмотры нужно проводить регулярно¹⁹.

Помощь в диагностике рака кожи оказывают передовые технологии. Учёные из Китая и Великобритании разработали ИИ, способный с высокой точностью выявить меланому на дерматоскопических изображениях. Улучшить существующие в онкологии методы распознавания новообразований кожи позволили²⁰:

• расширенный набор данных;

• предварительная обработка изображения;

• алгоритмы глубокого обучения.

Разработанная нейросеть значительно упростила процесс технической подготовки: алгоритму требуется меньшее количество входных параметров. В ходе обработки изображения проводится его сегментация. При этом ИИ выделяет подозрительную область и оценивает каждый её пиксель²⁰.

Результаты исследования позволяют вывести заболевание «из тени». Автоматическое распознавание с ИИ эффективно даже в сложных случаях, когда фотографии содержат посторонние объекты (например, густые волосы) или отличаются недостаточной контрастностью²⁰.

А как сами пациенты относятся к оценке кожных заболеваний с помощью ИИ? Чтобы найти ответ, исследователи из Германии разослали анонимные анкеты в университетские больницы и группы поддержки пациентов с меланомой. В них учёные попросили оценить применение алгоритмов для диагностики. В опросе участвовали 298 человек: 154 с диагнозом меланома и 143 без²¹.

В поддержку искусственного интеллекта для раннего выявления даже дома высказались 54% пациентов. Большинство из них составили респонденты с меланомой. 41% пациентов отметили, что хотели бы получить диагностическую оценку как со стороны врача, так и со стороны ИИ²¹.

Помощь ИИ в прогнозировании рака

Учёные из Бостона использовали систему PRISSMM для прогнозирования выживаемости у пациентов с раком лёгких. Исследование, опубликованное в научном журнале JAMA Оncology, сосредоточилось на заключениях рентгенологических исследований. Сложить «элементы пазла» помогла обработка естественного языка. С её помощью ИИ учится распознавать письменную и устную речь человека и на её основе принимать решения²².

Искусственный интеллект и эксперты аннотировали более 14 000 исследований для 1112 пациентов. Оценивались следующие параметры²²:

• наличие активного рака;

• ухудшение состояния или прогрессирование заболевания;

• улучшение состояния или ответ на терапию;

• наличие внелегочных метастазов.

ИИ обучили искать в отчётах слова-помощники. Подсказку для прогноза давали такие слова, как «опухоль», «уменьшение», «метастатический». Средняя точность классификации исходов для модели составила более 90%. При этом ИИ и специалисты дали сходную оценку выживаемости в каждом случае²².

Учёные отмечают, что применение нейронных сетей значительно ускорило процесс. Если врач просматривал рентгенологические отчёты не более чем у 3 пациентов в час, то ИИ аннотировал все записи за 10 минут²².

Благодаря искусственному интеллекту диагностика даёт клиницистам всё больше ответов. Алгоритмы не только обнаруживают заболевания, но и предсказывают их возможный исход. ИИ позволяет заглянуть в будущее и увидеть там тревожные сигналы, чтобы пересмотреть врачебную тактику в настоящий момент.

Источники

1. Де Рой М., ван Поппель Х., Баренц Дж. О. Стратификация риска и искусственный интеллект при раннем выявлении рака предстательной железы с помощью магнитно-резонансной томографии // Eur Urol Focus. 2021 г., 15 декабря: S2405-4569(21)00305-9. doi: 10.1016/j.euf.2021.11.005.

2. Би ВЛ, Хосни А, Шабат МБ и соавт. Искусственный интеллект в визуализации рака: клинические проблемы и приложения // CA Cancer J Clin. 2019 март; 69(2):127-157. doi: 10.3322/caac.21552.

3. Сантаолалла А., Халсен Т., Дэвис Дж. и соавт. Мультимодальный склад RеIMAGINE: использование искусственного интеллекта для точной стратификации риска рака простаты // Front Artif Intell. 2021 ноябрь 16;4:769582. doi: 10.3389/frai.2021.769582.

4. Требески С., Драго С.Г., Биркбак Н.Дж. и соавт. Прогнозирование ответа на иммунотерапию рака с использованием неинвазивных радиомикрометрических биомаркеров // Ann Oncol. 2019 1 июня;30(6):998-1004. doi: 10.1093/annonc/mdz108.

5. Каваками Э., Табата Дж., Янаихара Н. и соавт Применение искусственного интеллекта для предоперационного диагностического и прогностического прогнозирования при эпителиальном раке яичников на основе биомаркеров крови // Clin Cancer Res. 2019 15 мая;25(10):3006-3015. doi: 10.1158/1078-0432.CCR-18-3378.

6. Ахмед Хосни, Чинтан Пармар, Джон Квакенбуш и др. Искусственный интеллект в радиологии // Nat Rev Cancer. 2018 август; 18(8): 500–510. doi: 10.1038/s41568-018-0016-5

7. Ханс-Иоахим Ментцель. Искусственный интеллект в оценке изображений и диагностике // Monatsschr Kinderheilkd. 2021 2 июля;1-9. doi: 10.1007/s00112-021-01230-9.

8. Сунг Х., Ферлей Дж., Сигел Р.Л. и соавт. Глобальная статистика рака 2020: GLOBOCAN оценивает заболеваемость и смертность во всем мире от 36 видов рака в 185 странах // CA Cancer J Clin. 2021:71:209-249. doi: 10.3322/caac.21660.

9. 1. Рак предстательной железы. МКБ 10: C61 Год утверждения (частота пересмотра):2020. ID:КР12/1. URL Профессиональные ассоциации.

10. Уэйд Дж., Росарио Д.Дж., Мейсфилд Р.К. и соавт. Психологическое воздействие биопсии простаты: физические симптомы, тревога и депрессия // J Clin Oncol. 20 ноября 2013 г.; 31 (33): 4235-41. doi: 10.1200/JCO.2012.45.4801.

11. Нельсон А.В., Харви Р.К., Паркер Р.А. и соавт. Стратегии повторной биопсии предстательной железы после первоначальной отрицательной биопсии: мета-регрессия, сравнивающая обнаружение рака при трансперинеальной, трансректальной сатурации и биопсии под контролем МРТ // PLoS One. 2013;8(2):e57480. doi: 10.1371/journal.pone.0057480.

12. Стрём П., Картасало К., Олссон Х. и соавт. Искусственный интеллект для диагностики и классификации рака предстательной железы в биопсии: популяционное диагностическое исследование // Lancet Oncol. 2020 фев; 21 (2): 222-232. doi: 10.1016/S1470-2045(19)30738-7.

13. Рак простаты: ИИ-патологоанатом помог в диагностике // BBC. URL: https://www.bbc.com/news/uk-wales-59491186 (дата обращения: 28.01.2022).

14. Рак // World Health Organization. URL: https://www.who.int/news-room/fact-sheets/detail/cancer (дата обращения: 28.01.2022).

15. Шабат МБ, Кот МЛ. Прогресс и приоритеты рака: рак легких // Cancer Epidemiol Biomarkers Prev. 2019 октября; 28 (10): 1563-1579. doi: 10.1158/1055-9965.

16. Искусственный интеллект улучшает обнаружение рака легких // Nature. URL: https://www.nature.com/articles/d41586-020-03157-9 (дата обращения: 28.01.2022)

17. Родригес-Руис А., Лонг К., Губерн-Мерида А. и соавт. Только искусственный интеллект для обнаружения рака молочной железы в маммографии: сравнение со 101 радиологом // J Natl Cancer Inst. 2019 1 сентября;111(9):916-922. doi: 10.1093/jnci/djy222.

18. Растрелли М, Тропеа С, Росси КР, Алайбак М. Меланома: эпидемиология, факторы риска, патогенез, диагностика и классификация // In Vivo. 2014 ноябрь-декабрь; 28(6):1005-11. PMID: 25398793.

19. Такиддин А., Шнайдер Дж., Ян Й., Абд-Алразак А., Хауш М. Искусственный интеллект для обнаружения рака кожи: предварительный обзор // J Med Internet Res. 2021 24 ноября; 23(11):e22934. doi: 10.2196/22934.

20. Л. Вей, К. Дин и Х. Ху. Автоматическое обнаружение рака кожи на дерматоскопических изображениях на основе облегченной сети глубокого обучения Ensemble // IEEE Access. 2020;8:99633-99647. doi: 10.1109/ACCESS.2020.2997710.

21. Юци Т.Б., Кригхофф-Хеннинг Э.И., Холланд-Летц Т. и соавт. Искусственный интеллект в диагностике рака кожи: взгляд пациентов // Front Med (Lausanne). 2020 2 июня; 7:233. doi: 10.3389/fmed.2020.00233.

22. Кель К.Л., Эльмаракеби Х., Нишино М. и соавт. Оценка глубокой обработки естественного языка при установлении онкологических результатов на основании рентгенологических отчетов. // JAMA Oncol. 2019 1 октября;5(10):1421-1429. doi: 10.1001/jamaoncol.2019.1800.