Роль обработки изображений в дифференциации между инфекционными и неинфекционными легочными поражениями

Введение

Легочные поражения, часто идентифицируемые случайно на визуализации грудной клетки или во время обработки респираторных симптомов, представляют широкий спектр патологии, начиная от доброкачественных инфекций и заканчивая злокачественными новообразованиями. Различие между инфекционными и неинфекционными поражениями является краеугольным камнем торакальной радиологии, непосредственно влияя на клинические решения, такие как необходимость противомикробной терапии, дальнейшего наблюдения за визуализацией или биопсии тканей. В то время как компьютерная томография (КТ) и рентгенография грудной клетки предоставляют подробную анатомическую информацию, перекрывающиеся особенности визуализации многих инфекционных и неинфекционных процессов могут привести к диагностической неопределенности. Обработка изображений и компьютерный анализ появились в качестве мощных добавок, позволяющих количественно оценить морфологию поражения, текстуру и паттерны улучшения, которые ускользают от человеческого глаза. Используя передовые вычислительные методы, радиологи могут улучшить диагностическую точность, уменьшить ненужные инвазивные процедуры и ускорить соответствующее лечение. В этой статье исследуется центральная роль обработки изображений в дифференциации инфекционных от неинфекционных легочных поражений,

Понимание инфекционных и неинфекционных легочных поражений

Легочные поражения определяются как очаговые области повышенной плотности или непрозрачности в паренхиме легких, обычно видимые на КТ или рентгене. Они возникают из-за различных этиологий, которые в целом делятся на две категории: инфекционные и неинфекционные.

Инфекционные поражения

Инфекционные поражения легких вызваны патогенами, такими как бактерии, вирусы, грибки и микобактерии. Бактериальные пневмонии часто присутствуют в виде консолидации лобар с воздушными бронхограммами, в то время как вирусные пневмонии могут проявляться в виде непрозрачности молотого стекла и патчной многолобарной вовлеченности. Грибковые инфекции, особенно у пациентов с ослабленным иммунитетом, могут вызывать узловые поражения с окружающими гало из молотого стекла («признак хало») или кавитации. Туберкулез обычно имеет апикальные узелки, непрозрачность дерева в буде и поражения кавитариев. Ключевой проблемой является то, что многие инфекционные поражения могут имитировать злокачественность, особенно когда они присутствуют в виде одиночных легочных узелков (SPN).

Неинфекционные поражения

Неинфекционные причины включают первичные и метастатические опухоли легких, доброкачественные новообразования, аутоиммунные состояния (например, саркоидоз, ревматоидные узелки) и воспалительные процессы, такие как организация пневмонии или легочного фиброза. Злокачественные поражения часто проявляют нерегулярные или спультированные края, лобуляцию, гетерогенное усиление и рост с течением времени. Доброкачественные неинфекционные поражения, такие как гамартомы или гранулемы от предшествующей инфекции, могут иметь четко определенные границы, кальцификацию или плотность жира. Межклеточные заболевания легких могут производить ретикулярные непрозрачности и соты, а не дискретные поражения. Разнообразие неинфекционных этиологий в сочетании с сходством их изображений с инфекционными процессами подчеркивает необходимость углубленного анализа изображения.

Методы обработки изображений для дифференциации ствола

Обработка изображений охватывает набор вычислительных методов, которые усиливают, сегментируют, количественно оценивают и классифицируют аномалии в медицинских изображениях.В контексте легочных поражений эти методы извлекают объективные, воспроизводимые особенности, которые помогают отличить инфекционное от неинфекционного происхождения.

Сегментация

Сегментация изолирует поражение от окружающей паренхимы легких, сосудов и стенки грудной клетки. Полуавтоматизированные и полностью автоматизированные алгоритмы (например, рост региона, наборы уровней и сверточные нейронные сети) очерчивают границы поражения, позволяя проводить объемный и морфометрический анализ. Точная сегментация имеет решающее значение, поскольку последующие функции, такие как размер, форма и текстура, получены из сегментированной области. Например, инфекционные поражения часто имеют плохо определенные границы из-за окружающего воспаления, в то время как неинфекционные злокачественные образования могут иметь более нерегулярные границы. Сегментация также позволяет вычислять твердые и молотые компоненты, которые важны при скрининге рака легких (например, категории Lung-RADS).

Анализ текстуры и радиомика

Анализ текстуры количественно определяет пространственное расположение интенсивность пикселей в пределах поражения. Статистика первого порядка (среднее, дисперсия, перекос, куртоз) описывает общую гистограмму, в то время как характеристики второго порядка (например, матрица совместного возникновения серого уровня, GLCM) захватывают локальные паттерны, такие как контраст, однородность и энтропия. Особенности более высокого порядка из вейвлета или фрактального анализа дополнительно характеризуют гетерогенность. Радиомика расширяет текстуру, извлекая сотни тысяч количественных признаков из областей интенсивности, формы и текстуры. Исследования показали, что радиомические сигнатуры могут дифференцировать инфекционные гранулемы от злокачественных узелков с площадью под кривой (AUC) значения, превышающие 0,80. Например, инфекционные поражения часто демонстрируют более высокую однородность и более низкую энтропию по сравнению с инвазивными аденокарциномами, которые имеют тенденцию быть более гетерогенными.

Машинное обучение и глубокое обучение

Классификаторы машинного обучения (машины вектора поддержки, случайные леса, XGBoost) обучаются на радиомических особенностях для различения типов поражений. Глубокое обучение, особенно сверточные нейронные сети (CNN), может изучать дискриминационные особенности непосредственно из патчей изображений, минуя явную инженерию признаков. CNNs продемонстрировали превосходную производительность при классификации легочных конкреций на КТ, причем некоторые модели достигают точности, сопоставимой с опытными радиологами. Однако модели глубокого обучения требуют больших аннотированных наборов данных и тщательной проверки, чтобы избежать переобучения. Примеры включают использование 2D и 3D CNN на ломтиках КТ или целых томах, часто в сочетании с клиническими переменными (например, возраст, история курения, симптомы) для улучшения дифференциации. Систематический обзор искусственного интеллекта в грудной КТ показал, что модели глубокого обучения для дифференциации инфекционных от опухолевых поражений имели чувствительность между 85-95% и специфичность между 80-92%.

Основные особенности визуализации, отличающие инфекционное от неинфекционного поражения

Алгоритмы обработки изображений опираются на набор характерных функций визуализации, которые при количественной оценке помогают разделить две категории.Понимание этих функций необходимо как для клиницистов, так и для разработчиков алгоритмов.

Инфекционные особенности поражения

Неинфекционные характеристики поражения

Оверлэп и диагностические подводные камни

Многие особенности визуализации значительно перекрываются. Например, круглый, хорошо обрезанный узелок с центральной полостью может быть либо туберкулезной гранулемой, либо плоскоклеточной карциномой. Узелки из наземного стекла могут представлять аденокарциному легких (AIS, MIA), а также организацию пневмонии или вирусной пневмонии. Радиологи полагаются на клинический контекст (лихорадка, кашель, иммунокомпетентность) и предыдущую визуализацию для устранения этих неоднозначностей. Обработка изображений добавляет объективную количественную оценку: энтропия поражения, предел фрактального измерения и неоднородность текстуры, как было показано, снижают ложноположительную скорость при скрининге рака легких путем выявления гиперметаболических инфекционных процессов, которые имитируют рак. Модели машинного обучения, которые включают как функции визуализации, так и клинические данные, могут отмечать случаи, когда вероятность инфекции высока, что приводит к неинвазивной обработке (например, культуры мокроты, серология) перед биопсией.

Клинические применения и влияние на управление пациентами

Интеграция обработки изображений в клинические рабочие процессы имеет ощутимые преимущества для ухода за пациентами. В условиях, когда ресурсы интервенционной радиологии ограничены, точная неинвазивная дифференциация может предотвратить ненужные биопсии и связанные с ними риски (пневмоторакс, кровоизлияние). И наоборот, при подозрении на злокачественность раннее выявление и биопсия могут ускорить хирургическую резекцию или системную терапию.

Коммерческие и исследовательские программные платформы теперь включают в себя радиомику и модели ИИ для классификации легочных узлов. Например, использование проверенной радиомоделей на основе КТ для дифференциации туберкулезных гранулем от ранней стадии рака легких может уменьшить ложноположительные рефералы до 43% в туберкулезно-эндемических регионах. В пандемии COVID-19 были разработаны инструменты обработки изображений для отличия вирусных пневмоний от других причин ГГО, помогая сортировать и изоляционным решениям. Модели глубокого обучения, обученные на экстренном КТ-сканировании, могут идентифицировать пневмонию COVID-19 с AUC 0,90-0,95, помогая распределять ресурсы ПЦР-тестирования.

Еще одно ключевое применение - скрининг рака. Программы скрининга рака легких с низкой дозой КТ генерируют множество случайных узелков, большинство из которых являются доброкачественными (инфекционные гранулемы, внутрилегочные лимфатические узлы и т. Д. Алгоритмы обработки изображений, встроенные в рабочий процесс скрининга, могут автоматически характеризовать каждый узел и назначать вероятность злокачественности. Модель Lung-CT AI, разработанная ван Риэлом и др. [FLT: 1]], показала, что добавление особенностей текстуры к модели Университета Брока значительно улучшило специфичность без ущерба для чувствительности. Аналогично, исследование Choi et al. [FLT: 2]] показало, что система глубокого обучения CAD снизила уровень доброкачественной биопсии на 30% в когорте скрининга. [FLT: 3] Эти результаты подчеркивают потенциал обработки изображений для снижения бремени пациентов и расходов на здравоохранение.

Проблемы и будущие направления

Несмотря на свои обещания, обработка изображений для дифференциации легочного поражения сталкивается с несколькими препятствиями. Во-первых, отсутствие стандартизированных, больших аннотированных наборов данных для обучения и проверки по различным группам населения и типам сканеров может привести к деградации модели при развертывании в новых учреждениях. Сдвиг домена из-за различий в ядрах реконструкции, толщине среза и дозе излучения должен учитываться с помощью таких методов, как адаптация без контроля домена. Во-вторых, многие радиомические функции чувствительны к вариациям сегментации; межрежимная изменчивость в делайнации поражения может производить разные значения признаков. Для обеспечения воспроизводимости необходимы надежные алгоритмы сегментации и методы консенсуса.

В-третьих, объяснимость остается проблемой. Модели глубокого обучения часто работают как «черные ящики», что затрудняет для клиницистов доверие к их выводам. Предпринимаются усилия по созданию карт на основе анализа и объяснений, которые выделяют области изображения, определяющие классификацию. Регуляторный клиренс (FDA, маркировка CE) для таких алгоритмов все еще развивается, и только несколько систем ИИ получили одобрение для обнаружения или характеристики легочных узлов. В-четвертых, клиническая полезность многих радиомических сигнатур не была подтверждена в проспективных испытаниях. Большинство исследований ретроспективны и могут страдать от смещения выбора. Большие многоцентровые проспективные исследования необходимы для демонстрации того, что интеграция обработки изображений на самом деле улучшает результаты пациентов (например, сокращение времени до соответствующей терапии, снижение частоты осложнений).

Будущие направления включают слияние мультимодальных данных: объединение функций КТ-изображения с клиническими переменными, лабораторными маркерами (например, прокальцитонин, СРБ, полный анализ крови) и даже геномными данными для жидкой биопсии. Многомерные модели могут фиксировать сложное взаимодействие между ответом хозяина и биологией поражения. Кроме того, включение серийной визуализации (временный анализ) позволяет отслеживать изменения поражения в течение коротких интервалов, что особенно полезно для дифференциации разрешения инфекции от растущей злокачественности. Достижения в генеративных состязательных сетях (GAN) также могут позволить увеличить синтетическую надежность данных для повышения надежности модели в редких типах поражений. Наконец, ультразвуковое исследование в сочетании с обработкой изображений ИИ может привести эту технологию к ограниченным ресурсами настройкам, где диагностическое бремя инфекционных заболеваний легких является самым высоким.

Заключение

Обработка изображений стала незаменимым инструментом в арсенале радиолога для дифференциации инфекционных от неинфекционных поражений легких. Благодаря сегментации, анализу текстуры, радиомике и машинному обучению количественные биомаркеры визуализации могут выявлять тонкие различия в морфологии, неоднородности и усилении, которые не воспринимаются человеческим глазом достоверно. Эти методы улучшают диагностическую точность, уменьшают ненужные биопсии и поддерживают своевременное принятие клинических решений. Хотя проблемы, связанные со стандартизацией, обобщением и клинической валидации, остаются, продолжающиеся исследования и многоцентровое сотрудничество обещают усовершенствовать эти методы. Поскольку ИИ и обработка изображений продолжают развиваться, их интеграция в рутинную радиологическую практику еще больше повысит нашу способность различать многие грани легочной патологии, в конечном итоге принося пользу ведению пациентов и результатам.