Влияние глубокого обучения на обнаружение небольших легочных узелков

Глубокое обучение, мощная отрасль искусственного интеллекта, в последние годы значительно продвинулась в медицинской диагностике изображений. Среди его наиболее перспективных применений - обнаружение небольших легочных узелков - крошечных наростов в легких, которые часто представляют самые ранние признаки рака легких. Позволив рентгенологам идентифицировать эти тонкие поражения с большей точностью и скоростью, глубокое обучение меняет ландшафт скрининга рака легких и раннего вмешательства.

Клиническое значение небольших легочных узлов

Легочные узелки представляют собой небольшие, круглые или овальные наросты в легких, обычно размером менее трех сантиметров в диаметре. Термин «маленькие легочные узелки» обычно относится к тем, которые находятся ниже одного сантиметра, и часто такие маленькие, как два-три миллиметра. Обнаружение этих узелков имеет решающее значение, потому что они могут быть ранними стадиями рака легких. По данным Американского онкологического общества, рак легких является ведущей причиной смерти от рака во всем мире, и раннее выявление значительно улучшает выживаемость. Национальный скрининг легких (NLST) показал, что низкодозная компьютерная томография (LDCT) скрининг снижает смертность от рака легких на 20% по сравнению с рентгеном грудной клетки. Однако эффективность скрининга LDCT зависит от способности надежно обнаруживать небольшие узелки - задача, которая остается сложной даже для опытных радиологов.

Малые узелки часто доброкачественные, но различение злокачественных и доброкачественных поражений на ранней стадии необходимо для того, чтобы избежать ненужных биопсий при отсутствии рака. Клинические рекомендации от таких организаций, как Общество Флейшнера и Американский колледж врачей грудной клетки, рекомендуют конкретные интервалы наблюдения на основе размера узелков, морфологии и факторов риска для пациентов. Отсутствие небольшого узелка может задержать диагностику, что приводит к прогрессирующей стадии заболевания и более плохим результатам. И наоборот, гипердиагностика может вызвать у пациента беспокойство и инвазивные процедуры для безвредных поражений. Поэтому точное обнаружение и характеристика небольших легочных узелков является краеугольным камнем эффективного скрининга рака легких.

Ограничения традиционных методов обнаружения

Традиционное обнаружение легочных узелков зависит от рентгенологов, визуально осматривающих сканирование КТ на срезе. Этот процесс трудоемкий и подвержен ошибкам человека. Исследования показали, что радиологи пропускают от 10% до 30% узелков, особенно тех, которые малы, слабы или расположены в сложных областях, таких как вблизи плевры или средостения. Вариабельность между считывателя значительна; разные радиологи могут не соглашаться с наличием или размером узелка, влияя на клинические решения.

Системы компьютерного обнаружения (CAD) были разработаны для помощи радиологам, но ранние алгоритмы САПР, основанные на функциях ручной работы, имели высокие ложноположительные показатели, часто помечая кровеносные сосуды, рубцы или другие структуры в качестве конкреций. Эти системы требовали обширной ручной настройки и не обобщали хорошо в разных типах сканеров или популяциях пациентов. Огромный объем изображений от современных многодетекторных КТ-сканеров - иногда более 500 ломтиков на сканирование - усложняет проблему, приводя к усталости радиолога и потенциальному надзору. Глубокое обучение появилось как преобразующее решение, преодолевая многие из этих ограничений, изучая соответствующие функции непосредственно из данных.

Как глубокое обучение работает для обнаружения узлов

Модели глубокого обучения, особенно сверточные нейронные сети (CNN), искусны в анализе медицинских изображений. Для обнаружения легочных узлов эти сети обучаются на больших аннотированных наборах данных КТ-сканирования, где радиологи отметили местоположение узелков. Модель учится распознавать узоры - такие как форма, текстура и плотность - которые отличают узелки от нормальной ткани легких, кровеносных сосудов и других структур. Расширенные архитектуры, такие как U-Net и его варианты, обычно используются для сегментации, в то время как модели обнаружения объектов, такие как RetinaNet или 3D Faster R-CNN, применяются для определения местоположения и классификации узелков в трехмерных томах КТ.

Обучение и проверка

Публичные наборы данных, такие как Консорциум базы данных изображений легких (LIDC-IDRI) и задача LUNA16, сыграли важную роль в разработке и бенчмаркинге алгоритмов глубокого обучения. Эти наборы данных содержат тысячи КТ-сканирований с подробными аннотациями узлов. Во время обучения модель обрабатывает миллионы патчей изображений, корректируя свои внутренние параметры, чтобы минимизировать ошибки обнаружения. Валидация на незадействованных данных гарантирует, что модель обобщает невидимые сканирования. Современные модели теперь достигают скорости чувствительности выше 90% для узелков размером более 5 мм и конкурентоспособной производительности для субцентриметровых узелков, сохраняя низкие ложноположительные показатели - часто менее одного ложноположительного на сканирование.

Обработка 3D данных

В отличие от 2D-натуральных изображений, КТ-сканирование представляет собой объемные данные. Модели глубокого обучения были адаптированы для обработки 3D-входов с использованием 3D-извилин или путем анализа последовательных 2D-срезов с повторяющимися или механизмами внимания. Эти подходы фиксируют пространственную непрерывность узелков на срезах, что имеет решающее значение для обнаружения небольших повреждений, которые могут появляться только в нескольких срезах. Некоторые модели также включают многомасштабный анализ, рассматривая как пятна высокого разрешения для мелких деталей, так и контекст более низкого разрешения, чтобы избежать ложных срабатываний от окружающей анатомии.

Ключевые достижения и прорывы

В последние годы несколько систем, основанных на глубоком обучении, достигли производительности, сопоставимой или превышающей производительность радиологов человека в задачах обнаружения узелков. В задаче LUNA16, глобальном конкурсе, алгоритмы достигли чувствительности 99,3% для твердых конкреций с низкой ложноположительной скоростью. Система искусственного интеллекта Google для скрининга рака легких, опубликованная в Nature Medicine в 2019 году, продемонстрировала снижение ложноположительных результатов на 9,4% и снижение ложноотрицательных результатов на 5,5% по сравнению с радиологами в ретроспективном исследовании. Эта система использовала ансамбль 3D CNN и была обучена более чем 40 000 КТ сканирования из NLST и других источников.

Другим прорывом является разработка сквозных трубопроводов глубокого обучения, которые непосредственно обрабатывают необработанные данные КТ без ручной аннотации кандидатов в узелки. Например, исследователи Сеульского национального университета разработали систему, которая обнаруживает узелки и одновременно прогнозирует риск злокачественности, достигая области под кривой (AUC) 0,97 на независимом тестовом наборе. Эти системы были проверены в нескольких географических регионах и типах сканеров, демонстрируя надежную производительность.

В 2021 году Управление по контролю за продуктами и лекарствами США (FDA) очистило несколько программ для обнаружения узлов на основе ИИ в качестве медицинских устройств, включая инструмент скрининга рака легких Viz.ai и AI-Rad Companion Siemens Healthineers. Эти очищенные продукты теперь интегрированы в коммерческие КТ-сканеры и системы архивирования изображений и связи (PACS), что позволяет в режиме реального времени оказывать помощь при интерпретации изображений.

Интеграция в клинический рабочий процесс

Практическая ценность глубокого обучения заключается в его бесшовной интеграции в существующие клинические рабочие процессы. Как правило, система ИИ автоматически анализирует КТ-изображения после того, как сканирование получено, до того, как рентгенолог откроет исследование. Она генерирует отчет, выделяющий подозрительные узелки с их размером, местоположением и вероятностью злокачественности. Затем рентгенолог может пересмотреть эти результаты и включить их в свою окончательную интерпретацию. Этот подход «второго читателя» снижает надзор и ускоряет процесс чтения.

Повышение эффективности

Исследования показывают, что помощь ИИ может сократить время чтения рентгенолога на 20-40% для КТ скрининга рака легких, что позволяет им сосредоточиться на сложных случаях. Например, исследование в Радиологии сообщило, что с ИИ радиологи обнаружили на 10% больше узелков и сократили время интерпретации на 30% по сравнению с неассистированным чтением. В занятых программах скрининга с высокими объемами пациентов эти повышения эффективности имеют решающее значение для поддержания пропускной способности без ущерба для качества.

Влияние на ложные положительные результаты и биопсию

Путем снижения ложноположительных обнаружений узлов глубокое обучение помогает избежать ненужных последующих изображений и инвазивных процедур, таких как бронхоскопия или биопсия игл. Мета-анализ 12 исследований показал, что системы САПР на основе ИИ снижают ложноположительные показатели в среднем на 50% по сравнению с традиционным САПР, сохраняя при этом высокую чувствительность. Это улучшает использование ресурсов и снижает беспокойство пациентов, связанное с «инцидентами», которые в конечном итоге оказываются доброкачественными.

Влияние реального мира на результаты лечения пациентов

Конечным показателем любого диагностического инструмента является его влияние на результаты пациентов. В то время как крупные перспективные рандомизированные исследования все еще продолжаются, ретроспективные исследования и клинические реализации дают многообещающие доказательства. Исследование, проведенное в крупном академическом медицинском центре США, показало, что внедрение системы обнаружения узлов ИИ привело к 15%-ному увеличению раннего выявления рака легких (I и II стадия) и соответствующему снижению поздних стадий диагностики. Раннее выявление напрямую связано с лучшей выживаемостью; пятилетняя выживаемость при раке легких I стадии составляет более 60% по сравнению с менее чем 10% для IV стадии.

Помимо выявления большего числа раковых заболеваний, ИИ помогает стандартизировать отчетность. Переменность в измерении и характеристике узлов была постоянной проблемой. Модели глубокого обучения, которые автоматически измеряют диаметр и объем узлов с высокой точностью, обеспечивают согласованные последующие решения в соответствии с руководящими принципами. Эта воспроизводимость особенно ценна в многоцентровых программах скрининга, где радиологи могут иметь различный уровень опыта.

Экономический анализ состояния здоровья показывает, что скрининг рака легких с помощью ИИ является экономически эффективным при интеграции в установленные программы скрининга, в первую очередь из-за сокращения пропущенных видов рака и ненужных процедур. Например, исследование моделирования в журнале торакальной онкологии подсчитало, что добавление ИИ к скринингу LDCT может сэкономить дополнительный год жизни на 1000 обследованных пациентов при умеренных дополнительных затратах.

Проблемы и ограничения

Несмотря на впечатляющие достижения, глубокое обучение для обнаружения узлов сталкивается с несколькими проблемами. Во-первых, большинство моделей обучаются на наборах данных из конкретных популяций и сканеров, что может ограничить обобщаемость. Производительность может ухудшаться при применении к КТ-сканированию от разных производителей, алгоритмов реконструкции или демографии пациентов. Сдвиг домена - где распределение данных обучения отличается от реальных данных - остается активной областью исследований.

Аннотация и предвзятость данных

Создание высококачественных аннотированных наборов данных для обучения дорого и отнимает много времени. Радиологи должны тщательно отмечать границы узелков и классифицировать узелки как доброкачественные или злокачественные, часто используя корреляцию патологии. На практике многие узелки не имеют окончательной гистологии, и исследователи должны полагаться на продольное наблюдение в качестве суррогата. Это вводит предвзятость, потому что узелки, которые стабильны в течение двух лет, считаются доброкачественными, но некоторые медленно растущие злокачественные опухоли могут быть неправильно классифицированы.

Объяснение и доверие

Модели глубокого обучения часто рассматриваются как «черные ящики», что затрудняет для радиологов понимание того, почему был отмечен конкретный регион. Объясняемые методы ИИ, такие как карты выносливости или механизмы внимания, дают некоторую информацию, но еще недостаточно зрелые для рутинного клинического доверия. Регулирующие органы требуют, чтобы любая система ИИ, используемая в клиническом принятии решений, была проверена в многоцентровых перспективных исследованиях для обеспечения безопасности и эффективности.

Регуляторные и развертывательные препятствия

В США FDA очистило несколько продуктов, но процесс является строгим и требует постоянного мониторинга обновлений программного обеспечения. Во многих странах коды возмещения для интерпретации с помощью ИИ еще не установлены, ограничивая принятие. Кроме того, интеграция ИИ в устаревшие системы PACS может быть технически сложной, требующей ИТ-поддержки и корректировок рабочего процесса.

Будущие направления

Исследования расширяют границы глубокого обучения для обнаружения легочных узлов в нескольких захватывающих направлениях.

Мультимодальный анализ

Объединение КТ-визуализации с другими источниками данных, такими как ПЭТ-сканирование, биомаркеры, электронные медицинские записи и геномные данные, может улучшить прогнозирование злокачественности. Изучаются архитектуры глубокого обучения, которые объединяют различные методы, с ранними результатами, показывающими более высокую AUC для стратификации риска рака по сравнению с одной только визуализацией.

Продольный анализ

Вместо того, чтобы анализировать одно сканирование, будущие системы ИИ будут сравнивать текущую КТ пациента с предыдущими изображениями для оценки роста конкреций с течением времени. Модели временного глубокого обучения, такие как повторяющиеся CNN, могут отмечать узелки, которые увеличиваются в размере или плотности, которые являются сильными показателями злокачественности. Этот подход снижает необходимость явной аннотации каждого сканирования и использует богатство серийных данных визуализации в клинических базах данных.

Федеративное обучение и конфиденциальность

Обучение надежным моделям требует больших, разнообразных наборов данных, но обмен данными пациентов между учреждениями осложняется правилами конфиденциальности и управления данными. Федеративное обучение позволяет нескольким больницам совместно обучать модель без обмена сырыми данными, только обмениваясь обновлениями моделей. Пилотные исследования показали, что федеративные модели работают почти так же хорошо, как и централизованно обученные модели, открывая дверь к глобальному развитию ИИ, сохраняющему конфиденциальность.

Обнаружение в реальном времени во время сканирования

Новые технологии позволяют ИИ обрабатывать КТ-изображения по мере их реконструкции, обеспечивая немедленную обратную связь с технологом или радиологом. Если обнаружен подозрительный узелок, сканер может автоматически адаптировать протокол получения для получения изображений с более высоким разрешением региона, потенциально уменьшая необходимость в последующих сканировании. Эта «КТ с искусственным интеллектом» все еще экспериментальна, но может трансформировать рабочий процесс скрининга.

Заключение

Глубокое обучение уже оказало глубокое влияние на обнаружение мелких легочных узлов, повысив способности радиологов и улучшив раннюю диагностику рака легких. Автоматизируя процесс обнаружения с высокой точностью и скоростью, эти системы ИИ помогают преодолеть ограничения человеческой интерпретации, уменьшить изменчивость и обеспечить более эффективные программы скрининга. Проблемы остаются в обобщенности, интерпретируемости и клинической интеграции, но продолжающиеся исследования и прогресс в области регулирования неуклонно решают их. По мере того, как модели глубокого обучения становятся более сложными и лучше интегрированы в повседневную практику, они обладают потенциалом сделать скрининг рака легких более точным, доступным и справедливым во всем мире - в конечном итоге спасая жизни за счет раннего обнаружения.

Для дальнейшего чтения руководящих принципов скрининга рака легких и разработок ИИ см. Рекомендации по скринингу рака легких CDC , страницу AI / ML Medical Devices FDA Природная медицина по глубокому обучению для скрининга рака легких .