Медицинская литература. Новинки

 

 

 

 

 

 

Разработка системы помощи принятия врачебных решений в диагностике объемных новообразований печени на основе методов искусственного интеллекта

Вы можете загрузить полный текст статьи в формате pdf

Цель. Разработка сервиса на основе искусственного интеллекта для диагностики очаговых поражений печени, предназначенного для поддержки врачебных решений в хирургической гепатологии.Материал и методы. Создан технологический сервис на основе искусственного интеллекта для автоматической сегментации и классификации КТ-изображений с контрастированием четырех типов новообразований печени: фокальной нодулярной гиперплазии, карциномы, гемангиомы, простой кисты. Обучение и тестирование проводили на наборах данных, включающих 725 процедур КТ, с применением архитектуры nnU-Net. Диагностическую эффективность оценивали расчетом AUC ROC, чувствительности, специфичности и точности.Результаты. Сервис достиг высоких показателей. AUC ROC составила 0,847–0,928 с максимальной чувствительностью 0,940 для карциномы и специфичностью 0,900 для фокальной нодулярной гиперплазии. Точность варьировала от 0,883 до 0,922, демонстрируя способность алгоритма надежно дифференцировать как злокачественные, так и доброкачественные поражения.Заключение. Сервис на основе машинного обучения показал высокую диагностическую эффективность и перспективу для интеграции в клиническую практику, обеспечивая улучшение выявления и классификации новообразований печени.

Ключевые слова:
печень, диагностика новообразований, искусственный интеллект, глубокое машинное обучение, хирургическое планирование, liver, lesion diagnosis, artificial intelligence, deep learning, surgical planning

Литература:
1.Sung H., Ferlay J., Siegel R.L., Laversanne M., Soerjomataram I., Jemal A., Bray F. Global cancer statistics 2020: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers. CA Cancer J. Clin. 2021; 71 (3): 209–249. https://doi.org/10.3322/caac.21660
2.Akgul O., Cetinkaya E., Ersoz S., Tez M. Role of surgery in colorectal cancer liver metastases. World J. Gastroenterol. 2014; 20 (20): 6113–6122. https://doi.org/10.3748/wjg.v20.i20.6113
3.Chakedis J., Squires M.H., Beal E.W., Hughes T., Lewis H., Paredes A., Al-Mansour M., Sun S., Cloyd J.M., Pawlik T.M. Update on current problems in colorectal liver metastasis. Curr. Probl. Surg. 2017; 54 (11): 554–602. https://doi.org/10.1067/j.cpsurg.2017.10.002
4.Engstrand J., Nilsson H., Stromberg C., Jonas E., Freedman J. Colorectal cancer liver metastases – a population-based study on incidence, management and survival. BMC Cancer. 2018; 18 (1): 78. https://doi.org/10.1186/s12885-017-3925-x
5.Horn S.R., Stoltzfus K.C., Lehrer E.J., Dawson L.A., Tchelebi L., Gusani N.J., Sharma N.K., Chen H., Trifiletti D.M., Zaorsky N.G. Epidemiology of liver metastases. Cancer Epidemiol. 2020; 67: 101760. https://doi.org/10.1016/j.canep.2020.101760
6.Park H.J., Kim J.H., Choi S.Y., Lee E.S., Park S.J., Park J.H., Lee K.H. Radiomics and deep learning: hepatic applications. Korean J. Radiol. 2020; 21 (4): 387–401. https://doi.org/10.3348/kjr.2019.0752
7.Yasaka K., Akai H., Kunimatsu A., Kiryu S., Abe O. Deep learning with convolutional neural network in radiology. Jpn. J. Radiol. 2018; 36 (4): 257–272. https://doi.org/10.1007/s11604-018-0726-3
8.Hamm C.A., Wang C.J., Savic L.J., Ferrante M., Schobert I., Schlachter T., Lin M., Duncan J.S., Weinreb J.C., Chapiro J. Deep learning for liver tumor diagnosis part I: development of a convolutional neural network classifier for multi-phase CT images. Eur. Radiol. 2019; 29 (7): 3338–3347. https://doi.org/10.1007/s00330-018-5945-z
9.Chen J., Lu Y., Yu Q., Luo X., Adeli E., Wang Y., Lu L., Yuille A.L., Zhou Y. TransUNet: transformers make strong encoders for medical image segmentation. arXiv preprint arXiv:2102.04306. 2021. URL: https://arxiv.org/abs/2102.04306
10.Shirota M., Saito K., Sato Y., Matsuo Y., Takayama T. Evaluation of deep learning for segmentation of liver tumors in CT images. Med. Phys. 2021; 48 (1): 368–377. https://doi.org/10.1002/mp.14496
11.Doi K. Computer-aided diagnosis in medical imaging: historical review, current status and future potential. Comput. Med. Imaging Graph. 2007; 31 (4–5): 198–211. https://doi.org/10.1016/j.compmedimag.2007.02.002
12.Chlebus G., Schenk A., Moltz J.H., van Ginneken B., Hahn H.K., Meine H. Automatic liver tumor segmentation in CT with fully convolutional neural networks and object-based postprocessing. Sci. Rep. 2018; 8: 15497. https://doi.org/10.1038/s41598-018-33564-8
13.Esteva A., Kuprel B., Novoa R.A., Ko J., Swetter S.M., Blau H.M., Thrun S. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017; 542 (7639): 115–118. https://doi.org/10.1038/nature21056
14.Ahn S.J., Lee J.M., Chang W., Lee S.M., Yoon J.H. Liver imaging using deep learning: current status and future directions. Korean J. Radiol. 2021; 22 (2): 203–216. https://doi.org/10.3348/kjr.2020.0503
15.Liu M., Zeng W., Zhang Y., Wu X., Wang J. Liver tumor segmentation based on hybrid convolutional neural networks with dual feature fusion. Biomed. Signal Process. Control. 2021; 68: 102746. https://doi.org/10.1016/j.bspc.2021.102746
16.Krizhevsky A., Sutskever I., Hinton G.E. ImageNet classification with deep convolutional neural networks. Commun. ACM. 2017; 60 (6): 84–90. https://doi.org/10.1145/3065386
17.Wang K., Lu X., Zhou H., Gao Y., Zheng J., Tong M., Wu C., Liu C., Huang L., Meng X. Deep learning-based classification of hepatocellular carcinoma and cirrhotic nodules in multiphase CT images: a feasibility study. Eur. Radiol. 2019; 29 (7): 2899–2907. https://doi.org/10.1007/s00330-018-5894-6
18.Lambin P., Rios-Velazquez E., Leijenaar R., Carvalho S., van Stiphout R.G.P.M., Granton P., Zegers C.M.L., Gillies R., Boellard R., Dekker A., Aerts H.J.W.L. Radiomics: extracting more information from medical images using advanced feature analysis. Eur. J. Cancer. 2012; 48 (4): 441–446. https://doi.org/10.1016/j.ejca.2011.11.036
19.Gillies R.J., Kinahan P.E., Hricak H. Radiomics: images are more than pictures, they are data. Radiology. 2016; 278 (2): 563–577. https://doi.org/10.1148/radiol.2015151169
20.Aerts H.J., Velazquez E.R., Leijenaar R.T.H., Parmar C., Grossmann P., Carvalho S., Bussink J., Monshouwer R., HaibeKains B., Rietveld D., Hoebers F., Rietbergen M.M., Leijenaar R.T.H. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nat. Commun. 2014; 5: 4006. https://doi.org/10.1038/ncomms5006
21.Huo Y., Tang Y., Kim Y., Xu W., Wang Z., Wang X. CT segmentation of the liver and tumors from portal phase images using deep learning: a feasibility study. Med. Phys. 2019; 46 (11): 5129–5136. https://doi.org/10.1002/mp.13729
22.Liu F., Guan W., Tian J., Zhang Z., Wang X. Automatic detection and classification of focal liver lesions using deep learning algorithms: a feasibility study. Eur. Radiol. 2021; 31 (2): 966–975. https://doi.org/10.1007/s00330-020-07168-1
23.Haghshomar M., Rodrigues D., Kalyan A., Singh S., Han J., Romagnoli J., Cao J. Leveraging radiomics and AI for precision diagnosis and prognostication of liver malignancies. Front. Oncol. 2024; 14: 1362737. https://doi.org/10.3389/fonc.2024.1362737
24.Ronneberger O., Fischer P., Brox T. U-Net: convolutional networks for biomedical image segmentation. arXiv preprint arXiv:1505.04597. 2015. URL: https://arxiv.org/abs/1505.04597
25.Lu F., Wu F., Hu P., Peng Z., Kong D. Automatic 3D liver location and segmentation via convolutional neural network and graph cut. Int. J. Comput. Assist. Radiol. Surg. 2017; 12 (2): 171–182. https://doi.org/10.1007/s11548-016-1489-2
26.Cicek O., Abdulkadir A., Lienkamp S.S., Brox T., Ronneberger O. 3D U-Net: learning dense volumetric segmentation from sparse annotation. Med. Image Comp. Computer-Assisted Intervent. MICCAI 2016. 2016; 9901: 424–432. https://doi.org/10.1007/978-3-319-46723-8_49
27.Milletari F., Navab N., Ahmadi S.A. V-Net: fully convolutional neural networks for volumetric medical image segmentation. 2016 Fourth International Conference on 3D Vision (3DV). 2016: 565–571. https://doi.org/10.1109/3DV.2016.79
28.Isensee F., Jaeger P.F., Kohl S.A.A., Petersen J., Maier-Hein K.H. nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation. Nat. Methods. 2021; 18 (2): 203–211. https://doi.org/10.1038/s41592-020-01008-z
29.Oktay O., Schlemper J., Le Folgoc L., Lee M., Heinrich M., Misawa K., Mori K., McDonagh S., Hammerla N.Y., Kainz B., Glocker B., Rueckert D. Attention U-Net: learning where to look for the pancreas. arXiv preprint arXiv:1804.03999. 2018. URL: https://arxiv.org/abs/1804.03999
30.Cao H., Wang Y., Chen J., Jiang D., Zhang X., Tian Q., Wang M. Swin-Unet: Unet-like pure transformer for medical image segmentation. arXiv preprint arXiv:2105.05537. 2021. URL: https://arxiv.org/abs/2105.05537
31.Достовалова А.М., Горшенин А.К., Старичкова Ю.В., Арзамасов К.М. Сравнительный анализ модификаций нейросетевых архитектур U-Net в задаче сегментации медицинских изображений. Digital Diagnostics. 2024; 5 (4): 833–853. https://doi.org/10.17816/DD629866.
32.Бобровская Т.М., Васильев Ю.А., Никитин Н.Ю., Арзамасов К.М. Подходы к формированию наборов данных в лучевой диагностике. Врач и информационные технологии. 2023; 4: 14–23. https://doi.org/10.25881/18110193_2023_4_14.
33.Васильев Ю.А., Арзамасов К.М., Владзимирский А.В., Омелянская О.В., Бобровская Т.М., Шарова Д.Е., Никитин Н.Ю., Коденко М.Р. Подготовка набора данных для обучения и тестирования программного обеспечения на основе технологии искусственного интеллекта. Ridero: Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы. 2024. 140 с. ISBN 978-5-0062-1244-2.
34.Васильев Ю.А., Арзамасов К.М., Пестренин Л.Д. и др. Свидетельство о государственной регистрации базы данных № 2024625817 Российская Федерация. MosMedData: КТ органов брюшной полости, дополненная сегментацией печени: № 2024625742: заявл. 02.12.2024: опубл. 06.12.2024; заявитель Государственное бюджетное учреждение здравоохранения города Москвы “Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы”.
35.Васильев Ю.А., Арзамасов К.М., Пестренин Л.Д. и др. Свидетельство о государственной регистрации базы данных № 2024626116 Российская Федерация. MosMedData: КТ с наличием и отсутствием признаков образований печени и их сегментацией: № 2024626028: заявл. 13.12.2024: опубл. 18.12.2024; заявитель Государственное бюджетное учреждение здравоохранения города Москвы “Научнопрактический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы”, Государственное бюджетное учреждение здравоохранения города Москвы “Московский многопрофильный научно-клинический центр имени С.П. Боткина” Департамента здравоохранения города Москвы.

Development of a clinical decision support system for the diagnosis of space-occupying liver lesions using artificial intelligence methods

Aim. To develop an artificial intelligence-based system for the diagnosis of focal liver lesions aimed at supporting clinical decision-making in surgical hepatology.Materials and methods. An artificial intelligence-based technological service was developed for the automatic segmentation and classification of contrast-enhanced computed tomography (CT) images of four types of liver lesions: focal nodular hyperplasia, carcinoma, hemangioma, and simple cyst. The service was trained and tested on datasets comprising 725 CT images using the nnU-Net architecture. Diagnostic performance was evaluated by calculating the AUC-ROC, sensitivity, specificity, and accuracy.Results. The service achieved high performance metrics. The AUC-ROC ranged from 0.847 to 0.928, with a maximum sensitivity of 0.940 for carcinoma and a specificity of 0.900 for focal nodular hyperplasia. Accuracy ranged from 0.883 to 0.922, which demonstrates the algorithm's ability to clearly differentiate between malignant and benign lesions.Conclusion. The machine learning-based service demonstrated high diagnostic performance and shows promise for integration into clinical practice, offering improved detection and classification of liver lesions.

Keywords:
печень, диагностика новообразований, искусственный интеллект, глубокое машинное обучение, хирургическое планирование, liver, lesion diagnosis, artificial intelligence, deep learning, surgical planning