Как модели глубокого обучения анализируют медицинские изображения

Глубокое обучение, особенно с помощью сверточных нейронных сетей (CNN), коренным образом изменило способ интерпретации медицинских изображений. Эти модели изучают иерархические особенности непосредственно из пиксельных данных, позволяя им обнаруживать тонкие текстурные и морфологические изменения, которые могут указывать на лимфому. CNN обычно состоит из сверточных слоев, которые извлекают края, формы и паттерны; объединяя слои, которые уменьшают размерность; и полностью связанные слои, которые делают окончательные прогнозы. Обучение таким моделям требует больших, хорошо аннотированных наборов данных, часто полученных из нескольких учреждений, чтобы захватить изменчивость в типах сканеров, протоколах и демографии пациентов.

Трансферное обучение стало стандартной техникой: модель, предварительно обученная на естественных изображениях (например, ImageNet), тонко настраивается на медицинских наборах данных визуализации. Этот подход резко сокращает количество меченых данных, необходимых и ускоряет конвергенцию. Для визуализации лимфомы модели адаптированы для работы с ПЭТ/КТ всего тела, где опухоли могут появляться в качестве областей высокой метаболической активности. Радиомические особенности, извлеченные CNN, часто превосходят традиционные ручные функции, особенно при различении агрессивных и ленивых подтипов лимфомы.

Сбор данных и аннотация в визуализации лимфомы

Качество системы глубокого обучения напрямую зависит от данных, на которых она обучена. Для обнаружения лимфомы основными модальностями являются ПЭТ/КТ с 18F-FDG, КТ с усиленным контрастом и МРТ (включая диффузионно-взвешенные последовательности). Каждая модальность фиксирует различные биологические свойства: ПЭТ подчеркивает метаболическую активность, КТ обеспечивает анатомические детали, а МРТ превосходит контраст мягких тканей. Комплексный набор данных должен включать изображения от различных сканеров, на разных этапах терапии и с подтвержденными гистопатологическими диагнозами.

Аннотация выполняется экспертами-радиологами и патологами, которые разграничивают границы опухоли (сегментационные маски) и присваивают ярлыки болезни (например, лимфома Ходжкина против диффузной крупной В-клеточной лимфомы). Вариабельность межнаблюдателей является признанной проблемой, поэтому многие проекты используют консенсусные показания или автоматизированный контроль качества. Методы увеличения данных, такие как случайные вращения, масштабирование и сдвиги интенсивности, помогают улучшить надежность модели и уменьшить переобучение. Публичные наборы данных, такие как Архив изображений рака (TCIA), предоставляют некоторые случаи лимфомы, но большинство учреждений полагаются на собственные коллекции из-за ограничений конфиденциальности.

Автоматизированное обнаружение: процесс скрининга

После того, как модель глубокого обучения обучена, она может быть использована для скрининга новых сканов на подозрительные поражения. Схема обнаружения обычно включает в себя три этапа: предварительную обработку (нормализацию, регистрацию в стандартное пространство), начальное поколение кандидатов (с использованием сети предложений региона или раздвижного окна) и классификацию каждого кандидата как лимфома или доброкачественная. Этот процесс аналогичен системе компьютерного обнаружения (CAD), но с более высокой чувствительностью и более низкими ложноположительными показателями.

Автоматическое обнаружение особенно ценно в визуализации всего тела, где радиологи должны рассмотреть сотни срезов. Модель может отмечать гиперметаболические очаги на ПЭТ-сканировании, а затем соотносить их с анатомическими ориентирами на КТ. Исследования сообщили о чувствительности выше 90% для обнаружения участия узловой и внеузловой лимфомы. Однако ложные срабатывания могут возникать из-за физиологического поглощения (например, бурый жир, воспаление) или доброкачественные поражения. Текущие исследования направлены на уточнение архитектуры модели и включение клинических априоров (например, возраст пациента, уровни лактатдегидрогеназы) для уменьшения таких ошибок.

Сегментация: определение областей лимфомы

Сегментация выходит за рамки обнаружения: она точно описывает степень каждого поражения. Это имеет решающее значение для объемной оценки, оценки ответа (например, оценка Довиля, классификация Лугано) и планирования лучевой терапии. Модели сегментации глубокого обучения, часто основанные на U-Net или его вариантах (например, Attention U-Net, nnU-Net), производят пиксельные маски, которые отделяют опухоль от фона.

Тренировка модели сегментации требует аннотаций пиксельных уровней, которые требуют времени для производства. Активные стратегии обучения позволяют модели запрашивать аннотации для самых неопределенных случаев, уменьшая нагрузку на аннотацию. После обучения модели сегментации могут вычислить общий объем метаболической опухоли (TMTV), сильный прогностический маркер при лимфомах. Автоматизированная сегментация достигла коэффициентов сходства Dice около 0,85-0,90 в многоцентровых исследованиях, приближаясь к межрадиологическому соглашению.

Классификация на подтипы

Различные подтипы лимфомы требуют различных схем лечения и имеют совершенно разные прогнозы. Модели глубокого обучения могут классифицировать не только лимфому Ходжкина против неходжкинской, но и более тонкие подтипы, такие как диффузная крупная В-клеточная лимфома, фолликулярная лимфома и лимфома мантийных клеток. Задача классификации часто использует ту же основу CNN, используемую для обнаружения, с дополнительной главой классификации. Некоторые модели включают клинические данные (например, стадия Энн Арбор, симптомы B) наряду с функциями визуализации для повышения точности.

Один из подходов заключается в обучении многозадачной сети, которая одновременно выполняет обнаружение, сегментацию и классификацию. Это заставляет модель изучать общие представления и может улучшить производительность по каждой задаче. Еще одним перспективным направлением является использование графовых нейронных сетей для моделирования пространственных отношений между станциями лимфатических узлов, имитируя то, как рентгенолог оценивает распространение заболевания. В опубликованных исследованиях классификация подтипов лимфомы на основе глубокого обучения из ПЭТ / КТ достигла области под кривой (AUC) значения, превышающие 0,90, хотя производительность варьируется в зависимости от подтипа и размера набора данных.

Преодоление проблем клинического внедрения

Несмотря на высокую техническую эффективность, развертывание инструментов глубокого обучения в обычной клинической практике сталкивается с несколькими препятствиями. Гетерогенность данных остается серьезной проблемой: модели, обученные данным академических центров, часто ухудшаются при применении к сканерам больниц сообщества. Адаптация домена и федеративное обучение изучаются для построения моделей, которые обобщают в учреждениях без обмена данными о пациентах. Интерпретируемость является еще одной ключевой проблемой; клиницисты должны понять, почему модель помечена конкретным регионом. Карты устойчивости (например, Grad-CAM) и механизмы внимания обеспечивают визуальные объяснения, но они не всегда надежны. Регулирующие органы требуют строгой проверки и часто четкого объяснения логики принятия решений алгоритма.

Интеграция с существующими рабочими процессами также нетривиальна. Выходы ИИ должны быть включены в системы PACS и представлены радиологам таким образом, чтобы усиливать, а не нарушать процесс их чтения. Усталость от оповещения и чрезмерная зависимость от автоматизированных предложений являются реальными рисками. Перспективные клинические испытания необходимы для демонстрации не только технической точности, но и реального воздействия на время прохождения диагностики, соглашение между читателями и результаты пациентов.

Еще одна проблема заключается в дисбалансе класса : некоторые подтипы лимфомы редки, что затрудняет сбор достаточного количества примеров обучения. Такие методы, как обучение с несколькими выстрелами, синтетическая генерация данных (например, с использованием генеративных состязательных сетей) и чрезмерная выборка могут помочь. Кроме того, модели должны быть обновлены по мере развития протоколов лечения — например, для учета новых методов лечения, которые изменяют внешний вид изображений. Непрерывный мониторинг и периодическая переподготовка необходимы для поддержания производительности.

Путь вперед: новые тенденции и исследования

Заглядывая вперед, несколько тенденций обещают улучшить автоматическое обнаружение и классификацию лимфомы. Мультимодальное обучение объединяет данные визуализации с клинической, геномной и гистопатологической информацией. Например, интеграция ПЭТ/КТ с результатами жидкой биопсии (циркулирующая опухолевая ДНК) может улучшить как обнаружение, так и прогноз. Ранняя работа предполагает, что такие совместные модели превосходят унимодальные подходы в прогнозировании реакции на лечение.

Объясняемый ИИ Объясняемый ИИ является активной областью исследований, с новыми методами, такими как концептуальные объяснения и контрфактическое генерирование, помогающие клиницистам доверять и проверять результаты моделей. По мере того, как модели становятся более прозрачными, принятие регулирующих норм станет проще. Самоконтролируемое обучение снижает зависимость от маркированных данных моделями предварительной подготовки на больших коллекциях изображений; это особенно привлекательно в медицинской визуализации, где затраты на аннотацию высоки. Самоконтролируемые CNN показали многообещающие результаты в задачах обнаружения лимфомы.

Другой рубеж — продольный анализ. Вместо анализа одного сканирования модели могут сравнивать изображения, полученные в разные моменты времени, для оценки ответа на терапию или выявления рецидива ранее. Для этой цели адаптируются временные сверточные сети и повторяющиеся архитектуры. Наконец, интеграция глубокого обучения с роботизированными системами биопсии может позволить автоматизировать нацеливание на поражение, дополнительно упрощая диагностический путь.

Исследования также сосредоточены на надежности к изменению качества изображения . Многие модели глубокого обучения уязвимы для входов из-за распространения (например, изображения с артефактами, необычной анатомией пациента). Методы оценки неопределенности, такие как отсев Монте-Карло или глубокие ансамбли, могут отмечать прогнозы низкой уверенности для обзора человеком. Это добавляет безопасность, которая имеет решающее значение для клинического развертывания.

Заключение

Автоматизированное обнаружение и классификация лимфом с использованием глубокого обучения перешли от исследовательского любопытства к клинически жизнеспособной технологии. Свёрточные нейронные сети, обученные на больших аннотированных наборах данных, могут обнаруживать подозрительные поражения, сегментировать их границы и различать подтипы с точностью, которая конкурирует с опытными радиологами. Проблемы, связанные с качеством данных, интерпретацией моделей и интеграцией рабочих процессов, решаются благодаря совместным усилиям между учеными данных, клиницистами и регулирующими органами. По мере того, как мультимодальные и самоконтролируемые методы созревают, и поскольку перспективные испытания подтверждают реальные преимущества, глубокое обучение готово стать стандартным компонентом рабочих процессов визуализации лимфомы. Конечная цель — более быстрая, более последовательная и менее инвазивная диагностика — приведет к лучшим результатам для пациентов во всем мире.

Для дальнейшего чтения см. Руководство Американского общества гематологии по визуализации при лимфоме (]Кровавой журнал ), рамки FDA для медицинских устройств на основе ИИ / мл (]FDA AI / ML страница ) и недавние обзоры в Радиология и Природная медицина по глубокому обучению для онкодиагностики.