Потенциал сегментации изображений на основе ИИ в радиологии

Потенциал сегментации изображений на основе ИИ в радиологии

Искусственный интеллект (ИИ) меняет радиологию, предлагая инструменты, которые расширяют человеческий опыт и упрощают диагностические рабочие процессы. Среди наиболее эффективных разработок - сегментация изображений на основе ИИ - метод, который автоматически разграничивает анатомические структуры, поражения и другие области, представляющие интерес для медицинских изображений. Преобразуя пиксельные данные в структурированные, количественные карты, сегментация ИИ позволяет рентгенологам выявлять болезни раньше, точнее измерять изменения и планировать вмешательства с большей уверенностью. В этой статье исследуется, как работает эта технология, ее текущие клинические применения, преимущества, с которыми она сталкивается, и перспективные направления вперед.

Что такое AI-Powered Image Segmentation?

Сегментация изображения - это процесс разделения цифрового изображения на несколько сегментов - наборы пикселей, которые имеют определенные характеристики, такие как интенсивность, текстура или пространственная близость. В радиологии эти сегменты соответствуют органам (например, печени, легким, сердцу), патологическим структурам (например, опухоли, аневризмы, бляшки) или конкретным типам тканей (например, серое вещество против белого вещества в МРТ мозга). Ручная сегментация, выполняемая радиологом или обученным технологом, является трудоемкой, переменной и часто непрактичной для высокопроизводительных настроек или 3D объемных данных.

Сегментация на основе ИИ заменяет или дополняет ручное разграничение с использованием моделей глубокого обучения, чаще всего свёрточных нейронных сетей (CNN) и трансформаторных архитектур. Эти модели обучаются на больших, экспертно аннотированных наборах данных, учатся отображать функции изображения непосредственно в масках сегментации. Результатом является полностью автоматизированный рабочий процесс, который может обрабатывать КТ-сканирование, серию МРТ или рентгеновское излучение в считанные секунды, выводя точные границы для каждой целевой структуры. Ведущие архитектуры, такие как U-Net, nnU-Net и их варианты, установили новые ориентиры в задачах сегментации медицинских изображений, достигая производительности, которая конкурирует или превосходит человеческое межнаблюдательное соглашение во многих задачах. Для всестороннего обзора методов сегментации глубокого обучения читатели могут проконсультироваться с этим обзором в Медикал анализ изображений .

Чем сегментация ИИ отличается от традиционных методов

Традиционные методы сегментации включают пороговое значение, региональное выращивание, детектирование краев и методы на основе атласов. Хотя они могут хорошо работать в контролируемых сценариях, они часто терпят неудачу, когда сталкиваются с шумом, эффектами частичного объема, вариациями анатомии или патологией. Подходы на основе ИИ учатся непосредственно из данных, что делает их надежными для такой изменчивости. Они могут включать в себя многомасштабные функции, обрабатывать сложные геометрии и адаптироваться к различным протоколам визуализации без необходимости в правилах ручной работы. Эта гибкость особенно ценна в радиологии, где изображения поступают от многих устройств, последовательностей и популяций пациентов.

Приложения в радиологии

Сегментация изображений на основе ИИ развертывается практически во всех подспециальностях радиологии. Ниже мы выделяем ключевые области применения, каждая из которых поддерживается опубликованными доказательствами и реальными реализациями.

Онкология: обнаружение и мониторинг опухолей

В онкологии точная сегментация имеет решающее значение для измерения опухоли, планирования лечения и оценки ответа. Модели ИИ могут автоматически контурировать легочные узелки в КТ, поражения молочной железы в маммографии и опухоли головного мозга в МРТ. Например, общедоступный набор данных BraTS (сегментация опухолей головного мозга) стимулировал модели, которые с высокой точностью определяют усиление опухоли, отеков и некрозов. Клинические исследования показывают, что объемы опухоли, оцененные ИИ, сильно коррелируют с ручными измерениями и могут уменьшить вариабельность между считывателями. Эта способность поддерживает критерии RECIST (критерии оценки ответов в твердых опухолях) путем предоставления последовательных количественных показателей во временных точках. Одно недавнее исследование показало, что инструмент сегментации ИИ для поражений печени сократил время измерения на 40% при сохранении точности. Для получения дополнительной информации об ИИ в визуализации рака см. Институт данных Американского колледжа радиологии ACR DSI .

Кардиососудистая визуализация

МРТ и КТ сердца требуют сегментации левого и правого желудочков, миокарда и коронарных артерий. Сегментация на основе ИИ позволяет автоматически вычислять фракцию выброса, количественную оценку массы миокарда и очертания рубцов. Эти измерения имеют решающее значение в диагностике сердечной недостаточности, кардиомиопатии и ишемической болезни сердца. Программное обеспечение, одобренное FDA, например, от Arterys или Circle CVI, уже включает сегментацию глубокого обучения для клинического использования. В большом многоцентровом исследовании объемы желудочков, сегментированные ИИ, находились в пределах 5% от экспертных ручных контуров, а время обработки сократилось с 20 минут до менее минуты. Эта скорость позволяет радиологам и кардиологам сосредоточиться на интерпретации, а не ручном отслеживании.

Неврологическая визуализация

В нейрорадиологии помощь в сегментации ИИ в количественной оценке атрофии мозга, поражений белого вещества и внутричерепного кровоизлияния. Автоматизированная сегментация серого вещества, белого вещества и спинномозговой жидкости от МРТ мозга используется для отслеживания нейродегенеративных заболеваний, таких как болезнь Альцгеймера. Для острого инсульта ИИ может быстро сегментировать ишемическое ядро и полутеневую клетку на перфузии КТ, помогая принимать решения о тромболизе. FDA очистило несколько коммерческих инструментов ИИ для обнаружения окклюзии крупных сосудов и количественной оценки объемов кровоизлияния в мозг. Такая сегментация также подается в протоколы объемной обработки для эпилепсии и рассеянного склероза. Всесторонний обзор ИИ в нейровизуализации доступен из журнала NeuroImage: NeuroImage: Clinical.

Мускулоскелетная радиология

Сегментация костей, хряща и мышц поддерживает ортопедическую оценку, спортивную медицину и ревматологию. ИИ может очертить мениски колена, хрящ бедра или межпозвоночные диски для оценки дегенерации или травмы. По оценке костного века, автоматическая сегментация костей кисти и запястья, как было показано, снижает вариабельность. Кроме того, 3D сегментация позвоночника от КТ помогает планировать операцию сколиоза или увеличение позвонков. Эти инструменты все чаще интегрируются в системы архивирования изображений и связи (PACS), что позволяет беспрепятственно внедряться в клинические рабочие процессы.

Торасическое изображение

Помимо легочных узелков, сегментация ИИ в КТ грудной клетки включает в себя лёгкие, дыхательные пути, трещины и сосуды легких. Это помогает в оценке ХОБЛ, эмболии легких и фиброзной болезни легких. Автоматизированная сегментация лёгких также является предпосылкой для количественной оценки непрозрачности COVID-19 во время пандемии. В рентгене грудной клетки ИИ может сегментировать силуэт сердца для измерения кардиоторакального соотношения. Широта торакальных применений сделала эту область испытательным полигоном для алгоритмов сегментации ИИ, при этом многие инструменты достигают регуляторного клиренса.

Преимущества сегментации на основе ИИ

Преимущества интеграции сегментации ИИ в радиологию выходят за рамки простой экономии времени. Ниже приведены ключевые преимущества, которые стимулируют клиническое внедрение.

Проблемы и ограничения

Несмотря на свои обещания, сегментация на основе ИИ сталкивается с существенными препятствиями, которые необходимо устранить для широкого клинического развертывания.

Качество и количество данных

Модели глубокого обучения требуют больших, разнообразных и точно аннотированных наборов данных. Курирование таких наборов данных является дорогостоящим и трудоемким. Аннотации должны следовать строгим рекомендациям (например, избегать ошибок частичного объема, включая все края). Кроме того, протоколы визуализации и производители сканеров вводят сдвиги доменов - модель, обученная данным одной больницы, может плохо работать на данных из другого учреждения. Такие методы, как адаптация домена, полуконтролируемое обучение и федеративное обучение, являются активными областями исследований, но еще недостаточно зрелыми для рутинного клинического использования.

Алгоритм интерпретируемости

Клиницисты неохотно доверяют маске сегментации, если не могут понять, как модель пришла к ней. В отличие от ручного отслеживания, решения ИИ непрозрачны. Разрабатываются методы объяснимости, такие как карты заметности, механизмы внимания и количественная оценка неопределенности, но принятие остается осторожным. Регулирующие органы, такие как FDA, требуют прозрачности в медицинских устройствах на основе ИИ, поэтому поставщики должны предоставить доказательства эффективности в соответствующих популяциях и режимах отказа.

Обобщенность и предвзятость

Если данные об обучении преимущественно относятся к одной этнической группе, возрастной группе или фенотипу заболевания, модель может не обобщать другие. Например, алгоритм, обученный на сканировании преимущественно кавказских пациентов, может отставать от африканских или азиатских популяций. Это может усугубить неравенство в области здравоохранения. Стратегии выявления и смягчения последствий имеют решающее значение, включая проверку внешних, многоэтнических наборов данных. Сообщество ИИ RSNA предоставляет ресурсы для разработки инклюзивных наборов данных.

Пути регулирования и возмещения

Инструменты сегментации ИИ, обеспечивающие клинически эффективны результаты, регулируются как медицинские устройства. Получение клиренса FDA (или маркировки CE в Европе) требует строгой клинической проверки, охватывающей безопасность, эффективность и удобство использования. По состоянию на 2024 год только часть алгоритмов сегментации ИИ получила нормативное разрешение, а модели возмещения остаются фрагментированными. Плательщики часто возмещают интерпретацию врача, а не полученные результаты. Необходимы новые модели оплаты, которые учитывают повышение производительности и улучшение результатов.

Интеграция в клинический рабочий процесс

Даже при технической проверке сегментация ИИ должна плавно интегрироваться в существующую ИТ-инфраструктуру. Это включает в себя PACS, электронные медицинские записи и системы отчетности. Многие больницы не имеют необходимых API или трубопроводов хранения данных. Появляются нейтральные для поставщиков платформы, которые могут запускать несколько алгоритмов ИИ, но проблемы совместимости сохраняются. Кроме того, управление ложными срабатываниями и чрезмерной сегментацией требует человеческого надзора, создавая новую модель работы для радиологов.

Будущие направления

Следующее десятилетие обещает значительные достижения, которые будут способствовать дальнейшему внедрению сегментации ИИ в практику радиологии.

Многомодальная и панраковая сегментация

Современные модели часто работают на одной модальности (например, только КТ). Будущие мультимодальные сегментаторы будут сплавлять информацию из КТ, МРТ, ПЭТ и ультразвука, повышая точность и предоставляя дополнительную информацию. Например, одновременная сегментация опухоли легкого на КТ и ПЭТ может давать как анатомические, так и метаболические границы. Аналогично разрабатываются модели, которые обрабатывают несколько типов рака в рамках одной архитектуры, уменьшая необходимость в специальной переподготовке.

3D и сегментация в реальном времени

В то время как многие алгоритмы работают на 2D-срезах, истинная 3D-сегментация объемных данных улучшает согласованность и захватывает анатомию через плоскость. Достижения в 3D-модели с памятью (например, варианты 3D U-Net) теперь позволяют обрабатывать целые тома КТ без обрезки. Сегментация в реальном времени во время интервенционной радиологии - например, живое руководство для биопсии игл или размещения катетера - находится на горизонте. Это обеспечит мгновенную обратную связь во время процедур, повышая точность и безопасность.

Модели фонда и самоконтролируемое обучение

Большие предварительно обученные модели, аналогичные GPT на естественном языке, появляются для медицинской визуализации. Эти базовые модели изучают общие визуальные представления из огромного количества немаркированных изображений, затем могут быть точно настроены для конкретных задач сегментации с минимальными аннотированными данными. Ранняя работа (например, MONAI, MedSAM) показывает, что такие модели могут сегментировать органы и поражения в различных условиях с сильным обобщением. Этот подход может значительно снизить нагрузку на аннотацию и ускорить развертывание.

Федеративное и непрерывное обучение

Правила конфиденциальности часто запрещают обмен данными пациентов между учреждениями. Федеративное обучение позволяет нескольким больницам обучать общую модель без перемещения данных, только обмениваясь обновлениями зашифрованной модели. Это позволяет моделям учиться у разных групп населения, сохраняя при этом управление данными. Постоянное обучение — где модель адаптируется к новым данным, не забывая о предыдущих знаниях — будет поддерживать улучшение на протяжении всей жизни по мере развития протоколов сканирования.

Интеграция с отчетностью и поддержкой принятия решений

Сегментационные маски - это только первый шаг. Следующий рубеж - это подключение их к структурированной отчетности, где измерения, полученные из сегментации ИИ, автоматически заселяются в клинические шаблоны. В сочетании с поддержкой принятия решений, такой как предложение интервалов наблюдения на основе темпов роста опухоли, сегментация ИИ может стать основным компонентом интеллектуальных помощников радиологов. Цель состоит не в том, чтобы заменить радиологов, а в том, чтобы освободить их для более высокого уровня рассуждений и общения с пациентами.

Заключение

Сегментация изображений на основе ИИ больше не является лабораторным любопытством — это активный клинический инструмент, улучшающий рабочие процессы радиологии и диагностическую точность. От онкологии и сердечно-сосудистой визуализации до неврологии и оценки опорно-двигательного аппарата, автоматизированное разграничение обеспечивает последовательные, количественные и быстрые результаты, которые дополняют человеческий опыт. Преимущества в точности, эффективности во времени и извлечении биомаркеров хорошо документированы, в то время как проблемы, связанные с качеством данных, интерпретацией, предвзятостью и интеграцией, остаются активными областями исследований и регулирования. С дальнейшими достижениями в мультимодальных моделях, обработке в реальном времени и федеративном обучении, сегментация ИИ станет еще более встроенной в рутинную практику. Радиологи, которые используют эти инструменты, будут лучше оснащены для удовлетворения растущих потребностей в визуализации и предоставления персонализированной, основанной на данных помощи. По мере развития области, поддержание строгой проверки и этического надзора будет иметь важное значение для обеспечения того, чтобы эти мощные технологии служили всем пациентам справедливо.