Достижения в машинном обучении преобразовали многие области здравоохранения, особенно медицинскую визуализацию. Одним из приложений, набирающих обороты, является обнаружение и классификация сосудистых опухолей - аномальные ростки, возникающие из клеток кровеносных сосудов, которые могут быть доброкачественными или злокачественными. Точная классификация имеет важное значение для планирования лечения и прогноза. Традиционная интерпретация изображений в значительной степени зависит от опыта рентгенолога, но алгоритмы машинного обучения предлагают потенциал для повышения скорости и согласованности. В этой статье рассматривается, как машинное обучение применяется для обнаружения и классификации сосудистых опухолей, охватывая основную технологию, преимущества, проблемы и перспективы в будущем.

Понимание сосудистой опухоли

Сосудистые опухоли охватывают спектр поражений, происходящих из эндотелиальных клеток или поддерживающих сосудистые структуры. Они могут возникать в любом месте тела и широко варьироваться в поведении. К общим доброкачественным типам относятся инфантильные гемангиомы, кавернозные гемангиомы и пиогенные гранулемы. Злокачественные сосудистые опухоли, такие как ангиосаркомы, саркома Капоши и гемангиоэндотелиомы, требуют агрессивного лечения. Различие между доброкачественными и злокачественными часто проводится через гистопатологию, но визуализация играет ключевую роль в первоначальном обнаружении и характеристике.

Модальности визуализации, используемые для сосудистых опухолей, включают магнитно-резонансную томографию (МРТ), компьютерную томографию (КТ), ультразвук и позитронно-эмиссионную томографию (ПЭТ). Каждая из них предоставляет уникальную информацию. МРТ предлагает отличный контраст мягких тканей и является модальностью выбора для многих сосудистых аномалий. КТ ценен для оценки вовлеченности костей и кальцификаций. Ультразвук широко используется для поверхностных поражений и для динамической оценки кровотока. Тем не менее интерпретация этих изображений занимает много времени и подвержена вариабельности межнаблюдателя. Машинное обучение может помочь путем последовательного выявления тонких особенностей, которые коррелируют с злокачественностью.

Роль машинного обучения в медицинской визуализации

Модели машинного обучения (ML), особенно архитектуры глубокого обучения, продемонстрировали замечательную производительность в задачах анализа изображений. При обучении на больших наборах данных меченых медицинских изображений эти модели учатся распознавать закономерности, связанные с различными типами опухолей. Эта способность непосредственно решает проблему обнаружения и классификации сосудистых опухолей воспроизводимым, эффективным образом.

Сбор и подготовка данных

Для построения надежной модели ML требуется полный, хорошо аннотированный набор данных. Для сосудистых опухолей это означает сбор изображений из нескольких модальностей вместе с соответствующими наземными ярлыками правды - обычно полученными из биопсии или гистологии. Репозитории с открытым исходным кодом, такие как Архив изображений рака (TCIA) , предоставляют некоторые наборы данных, но многие исследователи также должны работать с институциональными данными. Аннотация - это критический шаг, который включает в себя рентгенологов, разграничивающих границы опухоли и назначающих ярлыки классов (например, гемангиома против ангиосаркомы). Для решения проблемы дефицита данных часто применяются методы увеличения, такие как вращение, переворачивание, корректировка контраста и упругие деформации. Эти методы увеличивают эффективный размер и разнообразие тренировочного набора, улучшая обобщение модели.

Развитие алгоритма

Свёрточные нейронные сети (CNN) являются основной архитектурой для большинства задач анализа медицинских изображений. Популярные варианты CNN, используемые для обнаружения опухолей сосудов, включают ResNet, EfficientNet и DenseNet. Исследователи часто используют обучение передаче: начиная с сети, предварительно обученной большому набору данных естественного изображения (например, ImageNet) и тонкой настройки его на сбор медицинских изображений. Этот подход снижает потребность в огромных медицинских наборах данных и ускоряет обучение. Совсем недавно трансформаторы зрения (ViT) продемонстрировали перспективность в захвате зависимостей на большие расстояния в изображениях, хотя они требуют еще больших наборов данных, чтобы превзойти CNN. Гибридные модели, объединяющие CNN и трансформаторы, являются активной областью исследований.

Обучение и проверка

Обучение модели включает разделение набора данных на наборы обучения, проверки и тестирования. Обычные методы включают в себя перекрестную валидацию k-fold для обеспечения надежности. Для оценки производительности используются такие показатели, как точность, чувствительность, специфичность, область под кривой ROC (AUC) и оценка F1. Переподгонка - где модель запоминает данные обучения, а не изучает обобщаемые функции - это риск, смягчаемый отсевом, распадом веса и ранней остановкой. Дисбаланс класса - еще одна проблема, поскольку злокачественные сосудистые опухоли встречаются реже, чем доброкачественные. Такие методы, как взвешенные функции потери, чрезмерная выборка или синтетическая генерация данных (например, с использованием генеративных состязательных сетей) помогают решить эту проблему.

Преимущества и проблемы

Преимущества машинного обучения в сосудистой опухолевой визуализации

  • Быстрый диагноз: Алгоритмы могут обрабатывать большой объем изображений за секунды, сокращая время оборота от сканирования до отчета.
  • Согласованность: Модели ML каждый раз применяют одни и те же критерии, сводя к минимуму вариабельность между считывателями.
  • Содействие в сложных случаях: Для двусмысленных поражений модель может отмечать наиболее вероятные злокачественные, что вызывает дальнейший обзор специалистами.
  • Количественное извлечение признаков: Помимо обнаружения, ML может извлекать радиографические признаки (радиомика), которые коррелируют с гистологической степенью или генетическими маркерами.
  • Интеграция с клиническими рабочими процессами: Автоматизированный предварительный скрининг может сортировать исследования и уменьшать выгорание радиолога.

Проблемы, которые необходимо преодолеть

  • Нехватка и качество данных: Аннотированные медицинские изображения дороги и требуют много времени для производства. Наборы данных часто страдают от небольшого размера, дисбаланса классов и изменчивости протоколов приобретения.
  • Радиологи и регулирующие органы требуют прозрачности. Многие модели глубокого обучения функционируют как черные ящики. Инструменты объяснимости, такие как карты заметности, Grad-CAM и SHAP, дают некоторое представление, но еще не полностью надежны для клинических решений.
  • Обобщаемость: Модель, обученная на изображениях с одного сканера или популяции пациентов, может плохо работать при применении к данным из другого учреждения. Адаптация домена и многоцентровое сотрудничество являются активными областями исследований.
  • Регуляторные и этические проблемы: Развертывание МО в клинических условиях требует строгой проверки и одобрения со стороны таких органов, как FDA США (см. ]Руководство FDA по медицинским устройствам с поддержкой ИИ / МО . Законы о конфиденциальности (HIPAA в США, GDPR в Европе) регулируют использование данных. Алгоритмическая предвзятость — если данные обучения недопредставляют определенные демографические данные — может привести к неравенству в уходе.
  • Интеграция с существующими системами: Больницы используют системы архивирования изображений и связи (PACS) и радиологические информационные системы (RIS). Выходы ML должны быть представлены таким образом, чтобы радиологи могли эффективно действовать, не нарушая рабочий процесс.

Этические и нормативные соображения

По мере того, как машинное обучение переходит из исследовательских лабораторий в клиническую практику, этика и регулирование становятся первостепенными. Алгоритмическая справедливость должна оцениваться по полу, возрасту, расе и социально-экономическим группам. Модели не должны усугублять существующие различия в здоровье. Необходимо обеспечить прозрачность в отношении ограничений моделей и соответствующих случаев использования. Регулирующие пути для программного обеспечения в качестве медицинского устройства (SaMD) варьируются в зависимости от региона. В Соединенных Штатах большинство инструментов визуализации на основе ИИ классифицируются как медицинские устройства и требуют разрешения 510 (k) и утверждения на рынке. Регулирование медицинских устройств Европейского союза (MDR) и новый закон об ИИ налагают аналогичные требования. Разработчики также должны учитывать риски кибербезопасности, поскольку враждебные атаки могут потенциально изменить прогнозы моделей. Текущее наблюдение за рынком необходимо для мониторинга реальной производительности и обнаружения дрейфа с течением времени.

Будущие перспективы

Будущее машинного обучения для обнаружения опухолей сосудов является многообещающим. Ожидается, что несколько тенденций будут формировать следующее поколение инструментов:

  • Мультимодальное обучение: Комбинирование данных визуализации с клиническими переменными (например, возраст, симптомы, результаты лабораторных исследований) и геномными профилями может повысить точность классификации и прогнозного прогнозирования.
  • Объясняемый ИИ (XAI): Достижения в интерпретируемости будут укреплять доверие среди клиницистов. Визуальные объяснения, которые выделяют регионы, наиболее влиятельные в решении модели, могут помочь рентгенологам проверить результат.
  • Федерированное обучение: Многоинституциональное обучение без обмена необработанными данными о пациентах решает проблемы конфиденциальности и может создавать модели, которые лучше обобщают популяцию.
  • Интеграция в клинические рабочие процессы в режиме реального времени: Включение вывода ML в PACS или в качестве плагина в программное обеспечение для просмотра позволит беспрепятственно взаимодействовать, где радиологи получают автоматические подсказки при просмотре изображений.
  • Постоянное обучение: Модели могут обновляться по мере поступления новых данных, адаптируясь к изменениям в моделях заболеваний или технологии визуализации без необходимости полной переподготовки.

Сотрудничество между учеными-данными, радиологами, патологоанатомами и экспертами по регулированию имеет важное значение. Инициативы, такие как серия вызовов ИИ RSNA и сеть Medical Image Learning for Better Diagnostics (MILD)], иллюстрируют междисциплинарные усилия, необходимые. По мере созревания этих моделей они, вероятно, дополнят, а не заменят, рентгенологов, действуя как второй читатель или инструмент сортировки для ускорения высококачественного ухода. В конечном счете, успешное развертывание машинного обучения для обнаружения опухолей сосудов будет зависеть от строгой проверки, четкой клинической полезности и тщательного внимания к этическим принципам.