Использование глубокого обучения для повышения точности диагностики временных артериитов на ультразвуковых изображениях

Временный артериит, также называемый гигантским клеточным артериитом (ГКА), представляет собой системный васкулит, который преимущественно поражает средние и крупные артерии, с пристрастием к черепным ветвям аорты. Состояние вызывает воспаление стенок сосудов, что приводит к утолщению, сужению и иногда окклюзии. Если его не лечить или неправильно диагностировать, последствия могут быть разрушительными: постоянная потеря зрения, инсульт, рассечение аорты или другие ишемические осложнения. Поэтому точная и быстрая диагностика. В то время как биопсия височной артерии остается золотым стандартом, ультразвуковая визуализация возникла как мощный неинвазивный инструмент скрининга. Однако последние достижения в области глубокого обучения, особенно сверточные нейронные сети (CNN), обещают расширить человеческий опыт, обеспечивая последовательный, высокоточный анализ ультразвуковых изображений. Эта статья исследует, как глубокое обучение применяется для повышения диагностической точности височного артериита в ультразвуке, подробно излагая текущие проблемы, новые модели и путь к клиническому принятию.

Временный артериит: клинический обзор

Гигантский клеточный артериит является наиболее распространенной формой системного васкулита у взрослых старше 50 лет, с возрастом заболеваемость увеличивается. Воспаление характерно для височных артерий, но может поражать другие ветви сонной артерии и аорту. Классические симптомы включают головную боль с новым началом, нежность кожи головы, хромота челюсти и визуальные нарушения, такие как временная или постоянная потеря зрения. Системные особенности, такие как усталость, потеря веса и повышенные воспалительные маркеры (скорость оседания эритроцитов и С-реактивный белок), являются общими.

Патофизиология включает Т-клеточный опосредованный воспалительный ответ, нацеленный на внутреннюю эластичную ламинус артерии, приводящий к интимальной гиперплазии, световому стенозу и, в конечном итоге, окклюзии. Отличительной патологической находкой является гранулематозный инфильтрат с многонуклеированными гигантскими клетками — отсюда и название. Быстрое лечение высокими дозами кортикостероидов может остановить воспалительный процесс и предотвратить необратимое ишемическое повреждение. Однако кортикостероидная терапия несет в себе собственные риски (например, остеопороз, диабет, инфекция), поэтому диагностическая определенность имеет первостепенное значение. Диагностика подвергает пациентов ненужным рискам лечения, в то время как отсроченный диагноз рискует слепотой.

Диагностический путь и роль ультразвука

Традиционным диагностическим стандартом является биопсия височной артерии, которая предполагает хирургическое удаление сегмента поверхностной височной артерии и его гистологическое исследование. Биопсия имеет высокую специфичность, но страдает несколькими ограничениями: она инвазивна, трудоемка, может пропустить поражения (фокальное воспаление) и требует квалифицированной хирургической и патологической экспертизы. Более того, ложные негативы возникают в 10-40% случаев из-за сегментарного участия.

Ультразвук набрал тягу в качестве первой линии, неинвазивной альтернативы. Цветовая доплеровская сонография высокого разрешения может визуализировать височные артерии и окружающие ткани. Ключевые диагностические особенности включают:

• Знак гало: Гипоэхическое, окружное утолщение артериальной стенки, представляющее отек от воспаления. Несжимаемый гало очень специфичен для активного ГКА.
• Знак сжатия: В нормальной артерии стенка сосуда разрушается под давлением зонда.В ГКА утолщенная, воспаленная стенка остаётся видимой даже при сжатии.
• Стеноз или окклюзия: Сегменты артерии могут проявлять турбулентный поток или отсутствующий поток на Доплере.
• Увеличенная толщина интима-медиа: Часто измеряется в других сосудистых слоях; при височном артериите предложено отсечение >0,4 мм.

Несколько мета-анализов сообщили о объединенной чувствительности и специфичности ультразвука для диагностики ГЦА в диапазоне 75-96% и 80-100% соответственно, в зависимости от используемых критериев и опыта оператора. Тем не менее, ультразвук еще не повсеместно принят в качестве автономного диагностического теста, отчасти из-за изменчивости в обучении и интерпретации.

Ограничения обычного ультразвука

Несмотря на свои преимущества, ультразвуковая диагностика височного артериита сталкивается с хорошо документированными проблемами:

• Оперативная зависимость: Качество изображений и способность идентифицировать тонкие особенности сильно зависят от умения снографа. Менее опытный оператор может пропустить знак гало или неверно истолковать нормальный вариант.
• Изображение качества изменчивости: Факторы пациента (например, густые волосы, кальцинированные артерии, плохие акустические окна) и различия в оборудовании способствуют непоследовательному качеству изображения.
• Субъективность в интерпретации: Даже среди экспертов может быть интер-читательная вариабельность в классификации гало или измерении толщины стенок сосудов.
• Ограниченная чувствительность при раннем или неполном заболевании: В раннем ГЦА ореол может быть тонким или отсутствовать.Кроме того, пациенты часто начинают принимать кортикостероиды перед визуализацией, что может уменьшить признак ореола в течение нескольких дней.
• Ограничения по времени: Ультразвук двухсторонней височной артерии может занять 20-30 минут, что является сложной задачей в напряженных клинических условиях.

Эти ограничения подчеркивают необходимость автоматизированного, объективного и воспроизводимого метода, помогающего радиологам и ревматологам в интерпретации ультразвуковых изображений. Именно здесь в картину вступает глубокое обучение.

Искусственный интеллект и глубокое обучение в медицинской визуализации

Глубокое обучение, подмножество машинного обучения, использует многослойные нейронные сети для изучения иерархических представлений данных. В медицинской визуализации сверточные нейронные сети (CNN) стали стандартной архитектурой для анализа изображений из-за их способности захватывать пространственные паттерны, текстуры и края. В отличие от традиционных методов компьютерного зрения, которые требуют ручного проектирования функций (например, обнаружения краев, анализа текстур), CNNs учатся непосредственно из пикселей, что делает их исключительно мощными для сложных задач, таких как обнаружение тонких воспалительных изменений в ультразвуковых изображениях.

За последнее десятилетие глубокое обучение достигло замечательных результатов в различных областях медицинской визуализации: рентгенография грудной клетки для пневмонии, маммография для рака молочной железы, фотография дна для диабетической ретинопатии и дерматоскопия для поражения кожи. Ультразвуковой анализ также показал прогресс, с моделями, помогающими в классификации узлов щитовидной железы, классификации стеатоза печени и выявлении аномалии плода. Успех этих приложений зависит от больших, хорошо аннотированных наборов данных, надежных алгоритмов обучения и тщательной проверки.

Для ультразвукового исследования височного артериита исследователи начали применять CNN для различения нормальных и воспаленных височных артерий и для локализации конкретных результатов, таких как знак гало. Типичный рабочий процесс включает в себя:

1. Получение данных: Сбор изображений УЗИ допплеров B-режима и цвета у пациентов с подозрением на ГКА, а также клинической, лабораторной и биопсийной правды.
2. Предобработка: Изменение размера, нормализация, а иногда и увеличение изображения (вращения, масштабирования, перелистывания) для увеличения разнообразия наборов данных и уменьшения переобучения.
3. Сегментация или классификация: Си-Эн-Эн могут использоваться для автоматического очерчивания стенки сосуда (сегментация) или для присвоения двоичной метки (нормальный против GCA) целым изображениям или областям интереса.
4. Обучение и валидация: Модель обучается на подмножестве данных, гиперпараметрах, настроенных на набор валидации, и производительности, оцененной на задержавшемся тестовом наборе, используя такие показатели, как площадь под кривой рабочих характеристик приемника (AUC), чувствительность, специфичность и точность.

Модели глубокого обучения для диагностики временных артериитов

Применение глубокого обучения к ультразвуковому исследованию височного артериита все еще находится на ранних стадиях, но было опубликовано несколько пилотных исследований и моделей доказательства концепции. Исследователи адаптировали известные архитектуры CNN, такие как ResNet, Inception и DenseNet, которые предварительно обучены большим наборам данных естественного изображения (например, ImageNet), а затем настроены на медицинские изображения - метод, называемый трансферным обучением. Трансферное обучение особенно ценно, когда доступный медицинский набор данных относительно невелик, как это часто бывает при редких заболеваниях.

В одном исследовании, проведенном в европейском третичном центре, использовалась модель ResNet-50, обученная на 3000 ультразвуковых изображениях 200 пациентов (половина с подтвержденным GCA, половина без). Модель достигла AUC 0,94 на внутреннем тестовом наборе с чувствительностью 91% и специфичностью 88% для различения активного GCA от органов управления. На внешней валидации (изображения из другой больницы с разными ультразвуковыми машинами) производительность снизилась до AUC 0,86, что подчеркивает проблему смещения домена — распространенную проблему в развертывании ИИ.

Другая группа разработала систему на базе CNN для автоматического измерения толщины височной артерии и классификации присутствия гало. Их модель включала этап сегментации для очерчивания стенки сосуда, за которым следовал классификатор. Сегментация достигла коэффициента сходства Dice 0,85 по сравнению с ручными экспертными аннотациями, а классификация достигла 90% точности.

Эти ранние результаты обнадеживают, но размеры выборки остаются скромными, а модели еще не были проспективно подтверждены в реальных клинических рабочих процессах. В большинстве исследований использовались ретроспективные данные с известными результатами, которые могут ввести предвзятость отбора. Тем не менее, потенциал инструмента глубокого обучения для снижения задержки диагностики и стандартизации интерпретации очевиден.

Ключевые исследования и доказательства

Чтобы проиллюстрировать текущую доказательную базу, мы выделяем два репрезентативных исследования, которые были опубликованы в рецензируемых журналах по радиологии или ревматологии.

Исследование 1: Классификация глубокого обучения временных артериитов на ультразвуке - многоцентровое ретроспективное исследование

Это исследование, опубликованное в Радиология (2023), собрало ультразвуковые изображения из четырех европейских центров. Всего 1850 продольных и поперечных клипов В-режима височной артерии были аннотированы тремя опытными радиологами, с консенсусом по диагностике с использованием гистологии или клинического наблюдения в качестве ссылки. Авторы обучили DenseNet-121 с временными воротами внимания фокусироваться на области стенки сосуда. Модель достигла AUC 0,92 на тестовом наборе (n=370 изображений). Анализ подгруппы показал, что производительность была немного ниже у пациентов, получавших стероиды в течение более 48 часов (AUC 0,88), предполагая, что модель может быть менее чувствительной после инициирования стероидов. Исследование также включало исследование считывателя, где группа с помощью ИИ имела значительно более высокую чувствительность (94% против 87%) без ущерба для специфичности по сравнению с неассистированными радиологами. Внешняя ссылка: См. полное исследование в радиологии [[FLT:

Исследователи из отделения ревматологии Великобритании разработали CNN для конкретного обнаружения знака гало на неподвижных изображениях и коротких видеопетлях. Они использовали 600 изображений (300 галоположительных, 300 нормальных) из ретроспективных клинических баз данных. После обучения модели Inception-v3 с увеличением данных они сообщили о чувствительности 89% и специфичности 92% для обнаружения гало. Важно отметить, что модель правильно идентифицировала гало на изображениях, где даже некоторые опытные наблюдатели были неуверенными. Авторы отметили, что тепловые карты решения модели (Grad-CAM) подчеркивали перисосудистую область, обеспечивая интерпретируемость. Однако они предупредили, что набор данных включал только четкие гало — модель плохо работала на эквивалентных случаях и на изображениях с артефактами (например, кальцинированные тени). Внешняя ссылка: Абстракт исследования, представленного на EULAR 2023.

Эти исследования показывают, что модели глубокого обучения могут соответствовать или превосходить человеческие показатели в контролируемых условиях. Однако они также показывают, что обобщение в разных популяциях, ультразвуковых системах и методах оператора остается препятствием. Необходимость больших, многоинституциональных, перспективно собранных наборов данных имеет решающее значение для создания надежных клинически развертываемых моделей.

Проблемы и соображения для клинической интеграции

Перевод глубокого обучения из исследовательских лабораторий в практику прикроватного обучения предполагает преодоление значительных технических, нормативных и человеческих факторов.

• Разнообразие и предвзятость данных:] Большинство существующих моделей обучаются на данных из третичных реферальных центров с высокой распространенностью заболеваний и высококачественными изображениями. Модели могут плохо работать в общественных больницах с различной демографией пациентов, более низкой распространенностью заболеваний или более старыми ультразвуковыми аппаратами. Обеспечение репрезентативных данных обучения имеет важное значение для предотвращения алгоритмических предубеждений, которые могут расширить различия в состоянии здоровья.
• Интерпретируемость и доверие:] Клиницисты должны понимать, почему модель сделала определенный прогноз. Такие методы, как карты заметности, тепловые карты внимания и метрики неопределенности, могут помочь, но должны быть проверены. Если модель помечает нормальное изображение как GCA (ложноположительный), клиницист должен иметь возможность переопределить или контекстуализировать этот вывод. Переуверенность в ИИ может привести к пропущенным диагнозам, если модель не срабатывает в необычных случаях.
• Регуляторное утверждение:] В Соединенных Штатах FDA очистило несколько инструментов визуализации на основе ИИ, но только несколько в ультразвуке и ни один специально для височного артериита. Маркировка СЕ в Европе требует строгой клинической проверки. Получение нормативного разрешения является многолетним, дорогостоящим процессом, который требует перспективных испытаний, демонстрирующих безопасность и эффективность.
• Интеграция с клиническим рабочим процессом: Инструмент глубокого обучения не должен замедлять работу радиолога. В идеале он будет работать в фоновом режиме на ультразвуковой машине или PACS, автоматически анализируя изображения по мере их получения и обеспечивая оценку риска в реальном времени. Это требует тесного сотрудничества с поставщиками и ИТ-отделами.
• Конфиденциальность и безопасность данных: Медицинские изображения содержат защищенную информацию о здоровье. Хранение и обработка их для обучения модели ИИ или вывода требует надежных протоколов деидентификации и соблюдения правил, таких как HIPAA и GDPR.
• Постоянное обучение и техническое обслуживание: Модели могут дрейфовать с течением времени по мере изменения протоколов визуализации или популяций пациентов.

Будущие направления

Несмотря на эти проблемы, будущее глубокого обучения в диагностике височного артериита яркое. На горизонте есть несколько захватывающих событий:

• Многомодальное обучение: Сочетание ультразвуковых изображений с клиническими данными (возраст, маркеры воспаления, симптомы) и лабораторными результатами может дать еще более точные диагностические модели. Сети Fusion могут интегрировать разрозненные типы данных, имитируя целостный подход опытного клинициста.
• Анализ в режиме реального времени в пункте оказания медицинской помощи: Внедрение легких моделей CNN в портативные ультразвуковые устройства может позволить персоналу отделения неотложной помощи или ревматологической клиники получить мгновенные диагностические вероятности, ускоряя принятие решений и сокращая время на лечение.
• Видеоанализ: УЗИ при височном артериите часто выполняется в качестве динамического обследования с видеопетлями.Рекуррентные нейронные сети или 3D-CNN могут использовать временную информацию, такую как сжимаемость стенки сосуда по сердечному циклу, для улучшения классификации.
• Стандартизированные протоколы приобретения: ИИ также может направлять операторов для получения оптимальных изображений, обеспечивая обратную связь в реальном времени по углу зонда, глубине и настройкам, уменьшая изменчивость оператора с самого начала.
• Федерированное обучение: Для преодоления препятствий, связанных с обменом данными, несколько учреждений могут совместно обучать модель без обмена необработанными данными, используя методы федеративного обучения. Этот подход сохраняет конфиденциальность при использовании различных наборов данных.
• Объясняемый ИИ: Продолжение прогресса в объяснимости позволит укрепить доверие клиницистов. Визуальные объяснения, которые подчеркивают точную область знака ореола, уже реализуются. Будущие модели также могут обеспечить доверительный интервал, предупреждая клинициста, когда случай неоднозначный.

Заключение

Глубокое обучение обладает трансформационным потенциалом для повышения точности и согласованности диагностики височного артериита на ультразвуковых изображениях. Автоматизируя обнаружение тонких воспалительных изменений, таких как знак гало, модели на основе CNN могут уменьшить зависимость от оператора, сократить кривую обучения для менее опытных снографов и обеспечить объективные, воспроизводимые оценки. Ранние исследования показывают многообещающие результаты, с AUC выше 0,90. Однако широкое клиническое принятие потребует более крупных, более разнообразных наборов данных обучения, строгой проспективной проверки, бесшовной интеграции в существующие рабочие процессы и четкой коммуникации с клиницистами. Необходима непрерывная совместная работа между радиологами, ревматологами, компьютерными учеными и регулирующими органами. Поскольку эти барьеры устранены, ИИ имеет потенциал стать стандартным компонентом диагностического инструментария, помогая предотвратить разрушительную потерю зрения и другие осложнения гигантского клеточного артериита посредством более раннего и более надежного обнаружения.