Искусственный интеллект в рентгенологии

Методы рентгенологии позволяют заглянуть во внутренние процессы тела человека. Медицинская визуализация нашла широкое клиническое применение: рентгенология помогает врачам разных специальностей узнать больше о течении болезни и эффективности лечения.

Повысить информативность и безопасность рентгена помогают передовые технологии с использованием искусственного интеллекта (ИИ).

Что такое ИИ и как он используется в рентгенологии?

Искусственный интеллект имитирует способности разума человека, чтобы решать различные задачи по обработке и хранению информации¹.

В этом ему помогают методы:

• машинного обучения: обработка данных проводится на основе заданных исследователем шаблонов²;

• глубокого обучения: система самостоятельно учится принимать решения и повышать их точность без непосредственного участия человека³;

• естественной обработки языка: алгоритмы учатся распознавать письменную и устную речь человека⁴.

Искусственный интеллект в рентгенологии позволяет:

• Провести приоритизацию исследований. ИИ предварительно анализирует результаты рентгена и отмечает снимки с острыми состояниями, которые требуют внимания специалиста в первую очередь⁵.

• Интерпретировать рентгеновские снимки. Алгоритмы помогают автоматически выделить поражённые области. ИИ способен провести классификацию и количественную оценку обнаруженных патологий, что повышает точность диагноза⁶.

• Улучшить качество изображения: искусственный интеллект позволяет снизить уровень шума, изменить контрастность и резкость снимка. Врачу не нужно делать рентген повторно и подвергать пациента дополнительному облучению. Обработка изображения также позволяет уменьшить дозу вводимого контрастного вещества⁷.

• Спрогнозировать развитие заболевания. На основе данных лучевой диагностики ИИ способен предсказать ответ на терапию, возможный исход заболевания, вероятность перерождения доброкачественной опухоли в злокачественную⁸.

• Организация процесса лучевой диагностики. Программное обеспечение на основе искусственного интеллекта позволяет выбрать методику исследования с учётом размеров тела пациента. ИИ формирует набор стандартных проекций и 3D-изображений органов. Автоматическая подготовка предварительных отчётов помогает сэкономить время при проведении рентгена⁷.

Как нейросети обучают описывать рентгеновские снимки

Для обучения нейросетей используются данные визуализации в рентгенологии. Алгоритмы учат различать снимки с патологией и здоровыми тканями. Ценность исходных данных повышается, если заключения предварительно подтверждены врачом-рентгенологом⁹.

Общий процесс обработки нейросетью включает следующие этапы^10,11:

• предварительная подготовка изображения: при необходимости проводится фильтрация шума, изменение яркости и контрастности;

• сегментация изображения: вручную или автоматически выделяются зоны интереса на основе заданных правил;

• распознавание объектов: искусственный интеллект проводит вычислительную обработку полученных зон с их количественной оценкой и классификацией.

Полученные результаты структурируются в предварительный отчёт, который верифицирует медицинский специалист⁷.

ИИ в рентгенологии: улучшенная обработка изображений на пути к точному диагнозу

Анализ изображений с участием ИИ позволяет обнаружить образования, незаметные человеческому глазу. Незначительные изменения могут не выявляться на рентгене, но заболевание уже развивается.

Искусственный интеллект оказывает поддержку специалистам, помогая идентифицировать патологические признаки и поставить точный диагноз.

Классификация опухолей головного мозга

Группа американских исследователей медицинской школы Икана на горе Синай опубликовала в Annals of Translational Medicine результаты использования ИИ для классификации опухолевых образований головного мозга. Искусственный интеллект на основе машинного обучения помогает в дифференциальной диагностике¹²:

• глиобластомы;

• метастазов в головной мозг;

• лимфомы центральной нервной системы.

Авторы отмечают, что сложность в их обнаружении связана со сходной картиной на МРТ‑изображениях. Применение искусственного интеллекта в качестве дополнительного инструмента помогает лучше различать патологии: диагностическая эффективность повышается на 19%¹².

Учёные из университета Олд-Доминион в Вирджинии разработали интегрированный метод для применения в рентгенологии. Алгоритм способен не только классифицировать глиому, но и спрогнозировать выживаемость¹³.

Разработанная нейросеть¹³:

• осуществляет сегментацию МРТ-изображения;

• выделяет местоположение глиомы;

• определяет подтип опухоли.

Для оценки выживаемости исследователи сочетают методы глубокого и машинного обучения. Ключом к прогнозу становятся характеристики аномальной ткани на рентгене: интенсивность отёка, некроза и контрастности опухоли¹³.

Обнаружение скрытых переломов

Проблемы диагностики переломов дистального отдела лучевой кости при помощи рентгена привлекли внимание исследователей из медицинского центра Нинбо. Китайские учёные задались вопросом: «Могут ли решения искусственного интеллекта сравниться с заключениями опытных специалистов в рентгенологии?»¹⁴

Найти ответ помогли 2340 передне-задних рентгенограмм запястья, а также модель Inception-v4, обученная их анализировать. Заключения ИИ встали рядом с диагнозами специалистов: по точности диагностики алгоритмы сравнились с рентгенологами, но уступили ортопедам¹⁴.

Искусственный интеллект AI BoneView от исследователей из Медицинской школы Бостонского университета ускоряет обнаружение переломов, сообщает Medical Xpress¹⁵.

Создатели отмечают, что ИИ поможет расставлять приоритеты диагностики для медицинского специалиста. Для этого он будет автоматически помечать рентгеновские снимки с вероятным переломом¹⁵.

AI BoneView помогает сократить пропущенные переломы на 29%, снижая вероятность диагностических ошибок¹⁵.

Распознавание рака молочной железы

Группа исследователей из Массачусетского технологического института разработала систему Mirai для предсказания рака молочной железы, сообщает The Washington Post со ссылкой на доклад, опубликованный в научном журнале Clinical Oncology¹⁶.

На основе анализа маммограмм Mirai оценивает вероятность опасного заболевания и даёт дальнейшие рекомендации — проведение МРТ-исследования или биопсии. Предсказания искусственного интеллекта оказались точными в 76 из 100 случаев¹⁶.

Британский стартап DeepMind AI совместно с Google Health при поддержке благотворительной организации Cancer Research UK разработали ИИ для скрининга рака молочной железы. Исследование приняло международный характер: оценить эффективность алгоритма помогли обезличенные маммограммы пациенток из США и Великобритании. Решения искусственного интеллекта сравнивались с заключениями клиницистов¹⁷.

Результаты эксперимента оказались в пользу технологий¹⁷:

• уменьшение количества ложноположительных результатов (здоровые женщины, у которых заподозрили заболевание): ИИ оказался точнее человека на 5,7% и 1,2% для данных из США и Великобритании соответственно;

• уменьшение количества ложноотрицательных результатов (женщины с признаками рака молочной железы, которых не направили на дальнейшее обследование): на 9,4% и 2,7% для США и Великобритании соответственно.

На данном этапе исследователи рассматривают свой ИИ как «второе мнение» для медицинского специалиста, планируя дальнейшие клинические исследования¹⁷.

Выявление неврологических отклонений

При рассеянном склерозе снижается содержание миелина — вещества, образующего оболочки нервных волокон¹⁸. Своевременное обнаружение этого процесса с помощью рентгена — возможность ранней диагностики и помощи пациентам с этим неврологическим заболеванием.

Канадские исследователи из университета Британской Колумбии использовали возможности искусственного интеллекта для углублённого исследования карт миелина. Разработанный метод глубокого обучения¹⁹:

• тщательнее «просматривает» Т1-взвешенные изображения МРТ и изображения миелина, которые выглядят нормальными;

• отбирает подозрительные 3D-участки для дальнейшего анализа;

• извлекает ценную структурную информацию, которую могли пропустить традиционные измерения.

В исследовании на 55 пациентах с рассеянным склерозом и 44 здоровых пациентах ИИ различил норму и патологию со средней точностью классификации 87,9%¹⁹.

Разработка учёных из Литвы направлена на обнаружение скрытых признаков в нейровизуализации болезни Альцгеймера. Публикация в Diagnostics описывает метод машинного обучения, который классифицирует срезы головного мозга на МРТ‑изображениях²⁰.

Искусственный интеллект был обучен на 61 502 изображениях, а тестирование включало 30 095 образцов. По сравнению с существующими алгоритмами метод показал точность более 99%²⁰.

ИИ-помощники для врачей

В январе 2021 года израильский стартап Nano-X Imaging и компания по телерадиологии и телемедицине USARAD Holdings Inc., аккредитованная Совместной комиссией США, объявили о сотрудничестве в запуске программы второго мнения для радиологов, сообщает портал GlobeNewswire²¹.

Алгоритмы на основе искусственного интеллекта призваны оказать поддержку как в скрининг-диагностике, так и в сортировке при неотложных состояниях (острые переломы, пневмоторакс, пневмония)²¹.

Сервис планирует привлечь более 300 опытных диагностов. Они помогут провести экспертную оценку рентгенологических исследований. Это актуально при обнаружении опухолевых образований, лёгочных узлов, компрессионных переломов позвонков²¹.

Российские разработчики СберМедИИ представили сервис «Рентген грудной клетки». В его основе — комплекс нейронных сетей: InсeptionV3, Inсeption ResNet-2 и ResNet-50.

Сервис позволяет:

• классифицировать снимки рентгена на наличие патологических изменений;

• выявить признаки онкологических заболеваний, пневмонии, туберкулёза;

• сформировать готовое заключение и протокол исследования.

«Рентген грудной клетки» благодаря точности более 81% позволяет снизить риск возникновения врачебных ошибок. Скорость приёма пациентов увеличивается на 30% за счёт автоматического распознавания поражённых участков и возможности приоритизации исследований.

Будущее искусственного интеллекта в рентгенологии

Время, которое затрачивает врач-рентгенолог на интерпретацию изображений, различается в зависимости от сложности исследования и квалификации специалиста. Часто требуется сравнить картину с прошлыми снимками, чтобы оценить динамику заболевания. Врач также готовит отчёты, консультирует как пациента, так и других специалистов²².

В будущем искусственный интеллект может ускорить проведение рентгена на всех этапах^6,23:

• Внедрение комплексной оценки. В настоящий момент ИИ оценивает последнее исследование. Автоматическое сравнение с предыдущими данными даст рентгенологу больше информации о динамике заболевания.

• Разработка индивидуальных прогнозов лечения. Искусственный интеллект поможет вычислять вероятность исхода заболевания и оценивать эффективность лечения на основе нескольких диагнозов.

• Автоматизация сложных измерений. При проведении рентгена врачу необходимо знать ряд анатомических характеристик, чтобы предположить их отклонение в сторону патологии. ИИ может автоматически и с высокой точностью проводить необходимые вычисления, сохранив время для решения других задач.

Рентгенология может стать передовой областью, в которой искусственный интеллект создаст условия для развития профессиональных навыков и компетентности диагностов. Для этого важно повышать осведомлённость врачей о возможностях ИИ.

Источники

1. Что такое искусственный интеллект? [Электронный ресурс] // IBM. URL: https://www.ibm.com/cloud/learn/what-is-artificial-intelligence (дата обращения 28.01.2022)

2. Машинное обучение. Что это и почему это важно? [Электронный ресурс] // SAS. URL: https://www.sas.com/ru_ru/insights/analytics/machine-learning.html (дата обращения 28.01.2022)

3. Что такое глубокое обучение? 3 вещи, которые вам нужно знать [Электронный ресурс] // MathWorks. URL: https://www.mathworks.com/discovery/deep-learning.html (дата обращения 28.01.2022)

4. Обработка естественного языка (NLP). Что это такое и почему это важно? [Электронный ресурс] // SAS. URL: https://www.sas.com/en_us/insights/analytics/what-is-natural-language-processing-nlp.html (дата обращения 28.01.2022)

5. Дэвид Дж. Винкель, Тобиас Хей, Томас Дж Вейкерт и соавт. Оценка программного обеспечения для обнаружения на основе ИИ острых результатов компьютерной томографии брюшной полости: на пути к автоматизированному рабочему списку Приоритизация рутинных КТ-обследований // Invest Radiol. 2019 янв; 54(1):55-59. doi: 10.1097/RLI.0000000000000509

6. Али Б. Сайед, Адам С. Зога. Искусственный интеллект в радиологии: современные технологии и направления будущего // Semin Musculoskelet Radiol. 2018; 22(05): 540-545. doi: 10.1055/s-0038-1673383

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. Бера К., Браман Н., Гупта А. и соавт. Прогнозирование исходов рака с помощью радиомики и искусственного интеллекта в радиологии // Nature Reviews Clinical Oncology. 2019. doi: 10.1038/s41571-021-00560-7

9. Окден-Райнер Л. Изучение крупномасштабных общедоступных наборов данных медицинских изображений // Acad Radiol. 2020 янв; 27(1):106-112. doi: 10.1016/j.acra.2019.10.006

10. Нирадж Шарма, Лалит М. Аггарвал. Методы автоматизированной сегментации медицинских изображений // J Med Phys. январь-март 2010; 35(1): 3–14. doi: 10.4103/0971-6203.58777

11. Ши Чжэнхао, Хэ Лифэн. Применение нейронных сетей в обработке медицинских изображений. Материалы Второго международного симпозиума по сетям и сетевой безопасности. 2010.

12. Натаниэль С. Суинберн, Джавин Шеффлейн, Ю. Сакаи и соавт. Машинное обучение для полуавтоматической классификации глиобластомы, метастазов в головной мозг и лимфомы центральной нервной системы с использованием расширенной магнитно-резонансной томографии // Annals of Translational Medicine. Том 7, № 11 (июнь 2019 г.). URL: https://atm.amegroups.com/article/view/21264

13. Пей Л., Видьяратне Л., Рахман М.М. и соавт. Глубокое обучение с учетом контекста для сегментации опухоли головного мозга, классификации подтипов и прогнозирования выживания с использованием рентгенологических изображений // Scientific Reports. 2020, 10, 19726. doi: 10.1038/s41598-020-74419-9

14. Кайфэн Ган, Дингли Сюй, Йиму Линь и соват. Обнаружение переломов дистального отдела лучевой кости искусственным интеллектом: сравнение сверточной нейронной сети и профессиональные оценки // Acta Orthopaedica. 2019, 90:4, 394-400, doi: 10.1080/17453674.2019.1600125

15. Исследование показало, что искусственный интеллект точно обнаруживает переломы на рентгеновских снимках // Medical Xpress. URL: https://medicalxpress.com/news/2021-12-artificial-intelligence-accurately-fractures-x-rays.html(дата обращения 28.01.2022)

16. Собирается ли искусственный интеллект преобразовать маммографию? // The Washington Post. URL: https://www.washingtonpost.com/technology/2021/12/21/mammogram-artificial-intelligence-cancer-prediction/ (дата обращения 28.01.2022)

17. МакКинни С.М., Синек М., Годболе В. и соавт. Международная оценка системы искусственного интеллекта для скрининга рака молочной железы // Nature. 2020, 577, 89–94. doi: 10.1038/s41586-019-1799-6

18. Добсон Р., Джованнони Дж. Рассеянный склероз – обзор // Eur J Neurol. 2019 янв; 26(1):27-40. doi: 10.1111/en.13819

19. Ёнджин Ю., Ю.В. Танг Л., Брош Т. и соавт. Глубокое изучение миелина суставов и МРТ-функций T1w в нормальных тканях головного мозга, позволяющее отличить пациентов с рассеянным склерозом от здоровых людей // NeuroImage. Clinical. 2017, 17 , 169–178. doi: 10.1016/j.nicl.2017.10.015

20. Одусами М., Маскелюнас Р., Дамашевичюс Р. и соавт. Анализ особенностей болезни Альцгеймера: обнаружение ранней стадии по функциональным изменениям мозга в магнитно-резонансных изображениях с использованием точно настроенной сети ResNet18 // Diagnostics. 2021; 11(6):1071. doi: 10.3390/diagnostics11061071

21. Nanox и USARAD представляют программу второго мнения радиологического ИИ // Globenewswire. URL: https://www.globenewswire.com/fr/news-release/2021/01/05/2153627/0/en/Nanox-and-USARAD-Introduce-Radiology-AI-Second-Opinion-Program.html (дата обращения 28.01.2022)

22. Мун С.К., Вонг К.Х., Ло С.Б., Ли Ю., и соавт. Искусственный интеллект для службы радиологической диагностики будущего // Front Mol Biosci. 2021 28 января; 7:614258. doi: 10.3389/fmolb.2020.614258

23. Герас К.Дж., Манн Р.М., Мой Л. Искусственный интеллект для маммографии и цифрового томосинтеза молочной железы: современные концепции и перспективы на будущее // Radiology. 2019; 293 (2), 246–259. doi: 10.1148/radiol.2019182627