Применение обработки изображений при обнаружении и мониторинге прогрессирования легочного фиброза
Введение
Легочный фиброз является прогрессирующим интерстициальным заболеванием легких, характеризующимся осаждением рубцовой ткани в паренхиме легких, что приводит к необратимой потере функции дыхания. Состояние охватывает группу расстройств, причем идиопатический легочный фиброз (ИЛФ) является наиболее распространенной и смертельной формой. Несмотря на достижения в фармакотерапии, средняя выживаемость после диагностики остается только 3-5 лет, что подчеркивает критическую необходимость раннего выявления и точного мониторинга прогрессирования заболевания. Медицинская визуализация, особенно компьютерная томография с высоким разрешением (HRCT), стала краеугольным камнем диагностики и наблюдения. Однако визуальная интерпретация изображений HRCT субъективна и склонна к изменчивости. За последнее десятилетие технологии обработки изображений появились в качестве мощных инструментов для повышения объективности, воспроизводимости и точности оценки фиброза. В этой статье исследуется применение методов обработки изображений - от классической сегментации до современного глубокого обучения - в обнаружении и мониторинге легочного фиброза, подчеркивая их клиническую полезность, текущие ограничения и будущие перспективы.
Понимание легочного фиброза и его клинического бремени
Легочный фиброз относится к спектру заболеваний, при которых легочный интерстиций утолщается чрезмерным внеклеточным матричным осаждением. Наиболее распространенная форма, ИФР, обычно поражает пожилых людей и представляет собой прогрессирующее одышку, сухой кашель и ограничение физических нагрузок. Патогенез включает в себя повторяющееся альвеолярное эпителиальное повреждение с последующим аберрантным заживлением ран, приводящее к аберрантному заживлению ран, приводящее к пролиферации фибробластов и накоплению коллагена. По мере развития фиброза происходит нарушение газообмена, что приводит к гипоксемии и возможной дыхательной недостаточности. Клинический курс изменчив: одни пациенты испытывают быстрое снижение, в то время как другие остаются стабильными в течение многих лет. Точная постановка и продольный мониторинг необходимы для прогнозирования, решений о лечении и регистрации клинических испытаний. В настоящее время легочные функциональные тесты (ПФТ) и HRCT являются основными инструментами для оценки, но ПФТ часто не имеют чувствительности к ранним изменениям и могут
Критическая роль компьютерной томографии высокого разрешения
HRCT — это метод визуализации выбора для оценки диффузных паренхимальных заболеваний легких. С помощью алгоритмов реконструкции тонкого сечения (1—1,5 мм) и высокой пространственной частоты HRCT может визуализировать тонкие анатомические детали, такие как межлобульная септа, вторичные легочные дольки и непрозрачность молотого стекла. При легочном фиброзе характерные HRCT-паттерны включают соты (кластеризованные кистозные воздушные пространства), тяговый бронхоэктаз и сетчатку. Наличие и степень соты являются ключевыми диагностическими критериями для IPF и сильными предикторами смертности. Однако радиологи должны субъективно оценивать картину, распределение и тяжесть, что приводит к значительной меж- и внутричитывательной изменчивости. Кроме того, тонкие фиброзные изменения могут быть пропущены при раннем заболевании. Обработка изображений направлена на объективную количественную оценку этих особенностей, что позволяет проводить последовательные измерения через временные точки и наблюдателей. Методы, такие как анализ гистограммы, классификация на основе текстуры и машинное обучение, были применен
Методы обработки изображений, применяемые при фиброзе легких
Сегментация фиброзных регионов
Сегментация — это процесс разделения изображения на значимые области. При легочном фиброзе цель состоит в том, чтобы изолировать участки паренхимы легких, пораженные фиброзом, от нормальной ткани, а также от других структур, таких как дыхательные пути и сосуды. Ручная сегментация радиологами занимает много времени и непрактична для больших наборов данных. Автоматизированные алгоритмы сегментации используют пороговые, регионально растущие или более продвинутые методы, такие как активные контуры и сверточные нейронные сети (CNNs). Например, архитектуры U-Net были успешно обучены сегментировать соты и сетчатые структуры на срезах HRCT. Точная сегментация позволяет объемную количественную оценку фиброзной нагрузки, которую можно отслеживать продольно для оценки прогрессирования заболевания или ответа на терапию. Проблемы включают неоднородность фиброзных моделей и наличие вмешивающихся факторов, таких как эмфизема или пневмония.
Анализ текстуры для характеристики тканей
Анализ текстуры количественно определяет пространственное расположение интенсивностей пикселей и предоставляет числовые дескрипторы тканевых паттернов. В HRCT фиброзные ткани демонстрируют характерные текстуры, такие как грубые ретикулярные или соты-паттерны, которые отличаются от нормальных легочных или эмфизематических областей. Статистика первого порядка (средний, дисперсия, искажение) захватывает общую плотность, в то время как статистика второго порядка (например, матрицы совместного возникновения) описывают пространственные отношения. Методы более высокого порядка, такие как фрактальный анализ и вейвлет-трансформации, могут захватывать многомасштабные особенности. Особенности текстуры используются для классификации областей как нормальные, наземные стекла, ретикулярные или соты, с точностью, превышающей 85% в некоторых исследованиях. Эти особенности также могут быть агрегированы в «оценку фиброза», которая коррелирует с клиническими результатами, такими как снижение жизненной способности (FVC) и смертность. Анализ текстуры обеспечивает воспроизводимую количественную альтернативу системам визуального оценивания, таким как оценка Уоррик
Классификаторы машинного обучения и глубокого обучения
Алгоритмы машинного обучения (ML), включая машины вектора поддержки, случайные леса и повышение градиента, были применены для объединения особенностей текстуры и клинических переменных для классификации заболеваний и прогнозирования прогноза. Однако методы глубокого обучения (DL) превзошли классический ML во многих задачах медицинской визуализации. CNNs могут изучать иерархические особенности непосредственно из необработанных патчей изображения без ручной инженерии функций. Для легочного фиброза были разработаны модели DL для обнаружения присутствия фиброза, количественной оценки его степени и прогнозирования снижения FVC. Некоторые модели объединяют клинические данные (возраст, пол, функция легких) с функциями визуализации для повышения точности. Трансферное обучение с использованием предварительно обученных сетей данных естественного изображения (например, ResNet или DenseNet) на больших наборах данных естественного изображения может смягчить дефицит аннотированных медицинских изображений. Недавние работы Уолша и др. продемонстрировали, что алгоритм глубокого обучения может классифицировать IPF от других интерстициальных заболеваний легких на HRCT с областью под кривой (AUC) 0,94. Такие модели обещают помочь радиологам,
Количественные биомаркеры изображений
Количественные биомаркеры визуализации (QIB) являются объективными показателями, извлеченными из медицинских изображений, которые отражают основную патофизиологию. Для легочного фиброза QIBs включают объем легких, среднюю плотность легких, гистограммные процентили (например, плотность 15-го процентиля) и показатели фиброза на основе текстуры. Оценка «количественный фиброз легких» (QLF), полученная из анализа адаптивной текстуры, может быть вычислена автоматически. Другие биомаркеры, такие как степень тягового бронхоэктаза или объем соты, могут отслеживаться с высокой точностью, часто обнаруживая прогрессирование раньше, чем изменения FVC. Например, увеличение степени фиброза на HRCT может предшествовать снижению FVC на 10% на несколько месяцев. Регулирующие органы, включая FDA, признали значение QIBs в качестве суррогатных конечных точек в клинических испытаниях, ускоряя развитие антифиброзной терапии.
Клинические применения и преимущества
Раннее выявление и диагностика
Ранняя диагностика легочного фиброза имеет решающее значение, поскольку антифиброзные препараты, такие как пирфенидон и нинтеданиб, наиболее эффективны при инициировании до обширного повреждения легких. Обработка изображений может идентифицировать тонкие фибротические изменения, такие как ранняя сетчатка или легкий тяговый бронхоэктаз, которые могут быть проигнорированы человеческим глазом. Автоматизированные инструменты скрининга, применяемые для КТ грудной клетки, выполняемые для других показаний (например, скрининг рака легких), могут указывать на пациентов с риском для дальнейшей оценки. Кроме того, классификаторы на основе текстуры могут помочь дифференцировать IPF от других интерстициальных заболеваний легких (например, гиперчувствительность пневмонита или заболевания соединительной ткани), которые требуют различных стратегий управления. За счет снижения диагностической задержки обработка изображений может улучшить результаты лечения пациентов и потенциально медленное прогрессирование заболевания.
Мониторинг прогрессирования заболеваний и ответ на лечение
Серийные HRCT-сканирования все чаще используются для мониторинга прогрессирования заболевания в клинической практике и испытаниях. Однако визуальное сравнение сканирования с течением времени является сложным и склонным к смещению. Количественная обработка изображений обеспечивает объективные показатели для оценки изменений. Например, ежегодное изменение оценки QLF или объема соты может быть вычислено с высокой воспроизводимостью. В исследованиях INPULSIS нинтеданида можно вычислить более медленную скорость снижения плотности легких в терапевтическом рукаве по сравнению с плацебо, поддерживая эффективность препарата. Обработка изображений также позволяет отображать изменения на уровне пикселей, показывая, какие области ухудшились или улучшились. Эта способность может направлять решения о продолжении или изменении терапии и может служить суррогатной конечной точкой в ранней фазе разработки препарата. Кроме того, инструменты на основе ИИ могут автоматически сравнивать HRCT-сканирование с разных точек времени, выравнивая анатомию и количественно определяя региональные изменения.
Снижение межнаблюдательной изменчивости
Основным ограничением интерпретации визуальных HRCT является вариабельность между наблюдателями. Даже среди экспертов-радиологов грудной клетки согласие о степени фиброза может быть умеренным (значения каппы 0,4-0,6). Автоматизированный анализ изображений устраняет эту изменчивость путем применения согласованных алгоритмов. Это особенно важно для многоцентровых клинических испытаний, где сканирование считывается на разных участках. Было показано, что количественные конечные точки, полученные из обработки изображений, являются более воспроизводимыми, чем визуальные оценки, увеличение статистической мощности и снижение требований к размеру выборки. Для рутинной клинической помощи автоматизированные отчеты могут предоставлять стандартизированные показатели фиброза, которые помогают общаться между радиологами и пульмонологами, обеспечивая последовательную оценку тяжести заболевания во время посещений и учреждений.
Поддержка персонализированной медицины
Легочный фиброз проявляет значительную неоднородность в поведении заболевания и реакции на лечение. Обработка изображений может помочь расслоить пациентов на подгруппы на основе фенотипа визуализации. Например, у пациентов с преимущественно наземным стеклом может быть лучший прогноз, чем у пациентов с обширным сотрясением. Анализ текстуры также может идентифицировать особенности «высокого риска», такие как грубая сетчатка или субплевральное распределение, которые коррелируют с быстрым прогрессированием. Интегрируя биомаркеры визуализации с геномными и протеомными данными, клиницисты могут разработать персонализированные планы управления. В будущем модели ИИ могут предсказать траекторию отдельного пациента и рекомендовать наиболее эффективную терапию, выходя за рамки текущего подхода, соответствующего всем размерам.
Современные проблемы в обработке изображений при фиброзе легких
Несмотря на многообещающие результаты, несколько барьеров препятствуют широкому внедрению обработки изображений при легочном фиброзе. Во-первых, отсутствие стандартизированных протоколов визуализации в учреждениях влияет на производительность алгоритма. Изменения толщины среза, ядра реконструкции и дозы излучения могут изменять особенности текстуры и вводить предвзятость. Методы гармонизации, включая нормализацию интенсивности и адаптацию домена, разрабатываются, но еще не являются рутинными. Во-вторых, большинство алгоритмов обучаются наборам данных из отдельных центров или конкретных производителей сканеров, ограничивая обобщаемость. Внешняя валидация в различных популяциях и настройках визуализации имеет важное значение до клинического развертывания. В-третьих, аннотация фиброзных областей для обучения моделей глубокого обучения является трудоемкой и требует экспертного консенсуса. Неконтролируемые или полуконтролируемые подходы к обучению могут облегчить это узкое место, но они все еще находятся в стадии исследования. В-четвертых, регуляторные и компенсационные пути для инструментов визуализации на основе ИИ остаются неясными. Только несколько продуктов получили разрешение FDA для приложений ILD. И наконец, интеграция
Будущие направления: интеграция ИИ и автоматизированные рабочие процессы
Следующий рубеж в обработке изображений для легочного фиброза лежит в полностью автоматизированных, сквозных анализах, которые интегрируют визуализацию с клиническими и молекулярными данными. Достижения в области глубокого обучения, особенно 3D-CNN и трансформаторы, позволят более точно проводить объемный анализ всего легкого, захватывая пространственные отношения и бремя болезней, чем методы срезов по срезам. Мультимодальные модели ИИ, которые сочетают в себе траектории отдельных заболеваний с высокой точностью. Продольное моделирование с использованием повторяющихся нейронных сетей или механизмов временного внимания, может помочь клиницистам понять будущие фиброзные прогрессии на основе исторических последовательностей визуализации. Кроме того, объяснимые методы ИИ, такие как карты сальности и тепловые карты внимания, помогут клиницистам понять модели рассуждений и построить доверие. С технической стороны, федеративное обучение позволяет нескольким учреждениям совместно обучать модели без обмена данными о пациентах, решения проблем конфиденциальности и улучшения обобщения. Автоматизированные алгоритмы контроля качества могут обнаруживать артефакты изображений или ошибки приобретения до анализа. По мере созревания этих технологий мы предвидим будущее, в котором каждый
Заключение
Обработка изображений трансформировала обнаружение и мониторинг легочного фиброза, предлагая объективные, воспроизводимые и чувствительные инструменты, которые дополняют визуальную интерпретацию. От сегментации и анализа текстуры до машинного обучения и глубокого обучения эти методы позволяют раннее обнаружение, точную постановку и продольное отслеживание фиброзных заболеваний легких. Они снижают вариабельность между наблюдателями, поддерживают персонализированные стратегии лечения и обеспечивают количественные конечные точки для клинических испытаний. Однако проблемы остаются в стандартизации, обобщенности, бремени аннотации и клинической интеграции. Продолжение сотрудничества между радиологами, пульмонологами, компьютерными учеными и регулирующими органами будет иметь важное значение для перевода этих достижений в рутинную практику. По мере развития ИИ и подходов, основанных на данных, обработка изображений будет играть все более центральную роль в улучшении результатов для пациентов с легочным фиброзом - заболевание, которое требует точности, своевременности и инноваций.
Внешние ссылки