Точность измерений предстательной железы на результатах магнитно-резонансной томографии с применением технологий искусственного интеллекта: ретроспективное диагностическое исследование

ВВЕДЕНИЕ: Магнитно-резонансная томография обеспечивает точное и надежное обнаружение патологий предстательной железы, а также стадирование рака предстательной железы. Возможности метода используются в проведении прицельной биопсии, проведении лечения, а также для оценки метастатического поражения. В настоящее время большее внимание сосредоточено на возможностях радиомики и искусственного интеллекта для повышения диагностических возможностей магнитно-резонансной томографии, в  частности для улучшения точности и  сроков выявления образований. Технологии искусственного интеллекта (ИИ) имеют огромное количество потенциальных применений в классификации и улучшении качества мультипараметрического изображения предстательной железы, сегментации самой железы и подозрительных очагов, обнаружении и дифференциации клинически незначимых и значимых раковых опухолей на трехмерном уровне, а также классификации поражений по категориям системы визуализации предстательной железы (шкала Глисона).

ЦЕЛЬ: Оценить диагностическую точность автоматизированного измерения размеров и  объема предстательной железы при помощи искусственного интеллекта.

МАТЕРИАЛЫ И  МЕТОДЫ: Проведено ретроспективное диагностическое исследование в  соответствии с  методологией «STARD 2015». Использована оригинальная методология тестирования и мониторинга ИИ-сервисов на этапах жизненного цикла. Оценка точности проведена путем бинарной классификации: правильное измерение и неправильное измерение. Производилась оценка удельного веса корректных измерений, затем рассчитывалась точность морфометрического ИИсервиса по оригинальной формуле — отношение количества исследований с согласием врача с измерениями ИИ-сервиса к общему количеству успешно обработанных ИИ-сервисом исследований, умноженное на 100.

РЕЗУЛЬТАТЫ: При проведении второго калибровочного тестирования была установлена точность определения вертикального размера предстательной железы — 94,68%, передне-заднего (сагиттального) 97,87%, фронтального (поперечного) — 96,81%. Суммарно точность измерений морфометрического ИИ-сервиса для результатов МРТ предстательной железы 96,45%.

ОБСУЖДЕНИЕ: Проблематика применения искусственного интеллекта для анализа МРТ органов малого таза, в частности предстательной железы, исследуется ограниченным количеством авторов. На этом фоне автоматизированный анализ исследований органов грудной клетки, молочной железы или головного мозга принципиально более популярен. Объективные причины для объяснения такого дисбаланса находятся с трудом. Фактически можно лишь ограничиться стандартным утверждением об  отсутствии данных для обучения алгоритмов  — в  нужном объеме и  нужного качества. Большинство авторов фокусируются на проблемах выявления, оценки риска и дифференциальной диагностики очаговых образований предстательной железы. В частности, из 11 решений на основе технологий искусственного интеллекта, имеющих статус медицинского изделия в США и/или странах Западной Европы, 5 выполняют функцию сегментации, другие 5 — детекции очагов (при этом 2 отображают результаты в виде тепловой карты, 3 — формируют проект описания), наконец, одно решение проводит сегментацию железы и расчет «нескольких биомаркеров» (например, плотность ПСА), а также предлагает проект описания результатов исследования. Отметим, что в последнем случае опубликованы значения коэффициента Дайса для задачи сегментации, но отсутствуют данные о точности вычислений биомаркеров.

ЗАКЛЮЧЕНИЕ: Московский эксперимент, в рамках которого проведено наше исследование, представляет собой беспристрастную и объективную внешнюю валидацию, к тому же проводимую по стандартизированной методологии и с «прозрачными» результатами. Задача по автоматизации морфометрии рутинных измерений предстательной железы успешно реализована. Применение технологий искусственного интеллекта для анализа органов малого таза, в частности, предстательной железы, остается актуальным и малоисследованным направлением.

1. Аполихин О.И., Сивков А.В., Комарова В.А., Никушина А.А. Болезни предстательной железы в Российской Федерации: статистические данные 2008–2017 гг. // Экспериментальная и клиническая урология. 2019. № 2. С. 4–13. doi: 10.29188/2222-8543-2019-11-2-4-12.

2. Fernandes M.C., Yildirim O., Woo S., Vargas H.A., Hricak H. The role of MRI in prostate cancer: current and future directions // Magma. 2022. Vol. 35, No. 4. Р. 503–521. https://doi.org/10.1007/s10334-022-01006-6.

3. Belue M.J., Turkbey B. Tasks for artificial intelligence in prostate MRI // Eur. Radiol. Exp. 2022. Vol. 6, No. 1. Р. 33. doi:10.1186/s41747-022-00287-9.

4. Bozgo V., Roest C., van Oort I., Yakar D., Huisman H., de Rooij M. Prostate MRI and artificial intelligence during active surveillance: should we jump on the bandwagon? // Eur. Radiol. Published online June 27. 2024. doi: 10.1007/s00330-024-10869-3.

5. Harmon S.A., Tuncer S., Sanford T., Choyke P.L., Türkbey B. Artificial intelligence at the intersection of pathology and radiology in prostate cancer // Diagn. Interv. Radiol. 2019. Vol. 25, No. 3. Р. 183–188. doi: 10.5152/dir.2019.19125.

6. Turkbey B., Haider M.A. Artificial Intelligence for Automated Cancer Detection on Prostate MRI: Opportunities and Ongoing Challenges, From the AJR Special Series on AI Applications // AJR Am. J. Roentgenol. 2022. Vol. 219, Nо. 2. Р. 188–194. doi: 10.2214/AJR.21.26917.

7. Карнаухов Н.С., Максименко А.В., Согомонян М.Г. Возможности искусственного интеллекта в онкоурологии // Современные проблемы науки и образования. 2024. № 4. С. 1–12. doi: https://doi.org/10.17513/spno.33556.

8. Морозов А.О., Базаркин А.К., Вовденко С.В., Тараткин М.С., Балашова М.С., Еникеев Д.В. Применение искусственного интеллекта в молекулярной и генетической диагностике рака простаты // Вестник урологии. 2024. Т. 12, № 1. С. 117–130. https://doi.org/10.21886/2308-6424-2024-12-1-117-130.

9. Попов Г.В., Чуб А.А., Лернер Ю.В., Цой Л.В., Дубинина А.В., Варшавский В.А. Искусственный интеллект в диагностике рака предстательной железы // Архив патологии. 2021. Т. 83, № 2. С. 38–45. https://doi.org/10.17116/patol20218302138.

10. Талышинский А.Э., Камышанская И.Г., Мищенко А.В., Гулиев Б.Г., Бахтиозин Р.Ф. Применение искусственного интеллекта в обнаружении и стратификации рака пред стательной железы: обзор литературы // Вестник Санкт-Петербургского университета. Медицина. 2023. Т. 18. № 2. С. 150–166. https://doi.org/10.21638/spbu11.2023.204.

11. Абоян И.А., Редькин В.А., Назарук М.Г., Поляков А.С., Пакус С.М. и др. Искусственный интеллект в диагностике рака предстательной железы с помощью магнитно-резонансной томографии. Новый подход // Онкоурология. 2024. Т. 20, № 2. С. 35–43. https://doi.org/10.17650/1726-9776-2024-20-2-35-43.

12. Kaneko M., Magoulianitis V., Ramacciotti L.S., Raman A., Paralkar D. et al. The Novel Green Learning Artificial Intelligence for Prostate Cancer Imaging: A Balanced Alternative to Deep Learning and Radiomics // The Urologic clinics of North America. 2024. Vol. 51, No. 1. Р. 1–13. https://doi.org/10.1016/j.ucl.2023.08.001.

13. Sunoqrot M.R.S., Saha A., Hosseinzadeh M., Elschot M., Huisman H. Artificial intelligence for prostate MRI: open datasets, available applications, and grand challenges // European radiology experimental. 2022. Vol. 6, No. 1. Р. 35. https://doi.org/10.1186/s41747-022-00288-8.

14. Saha A., Bosma J.S., Twilt J.J., van Ginneken B., Bjartell A. et al. (2024). Artificial intelligence and radiologists in prostate cancer detection on MRI (PI-CAI): an international, paired, non-inferiority, confirmatory study // The Lancet. Oncology. 2024. Vol. 25, No. 7. Р. 879–887. https://doi.org/10.1016/S1470-2045(24)00220-1.

15. Морозов С.П., Владзимирский А.В., Шулькин И.М., Ледихова Н.В., Арзамасов К.М., Андрейченко А.Е., Логунова Т.А., Омелянская О.В., Гусев А.В. Целесообразность применения технологий искусственного интеллекта в лучевой диагностике (результаты первого года Московского эксперимента по компьютерному зрению) // Врач и информационные технологии. 2022. № 1. С. 12–29. https://doi.org/10.25881/18110193_2022_1_12.

16. Морозов С.П., Гаврилов А.В., Архипов И.В., Долотова Д.Д., Лысенко М.А. и др. Влияние технологий искусственного интеллекта на длительность описаний результатов компьютерной томографии пациентов с COVID-19 в стационарном звене здравоохранения // Профилактическая медицина. 2022. Т. 25, № 1. С. 14–20. https://doi.org/10.17116/profmed20222501114.

17. Бобровская Т.М., Васильев Ю.А., Никитин Н.Ю., Арзамасов К.М. Подходы к формированию наборов данных в лучевой диагностике // Врач и информационные технологии. 2023. № 4. С. 14. https://doi.org/10.25881/18110193_2023_4_14.

18. Васильев Ю.А., Владзимирский А.В., Омелянская О.В. и др. Методология тестирования и мониторинга программного обеспечения на основе технологий искусственного интеллекта для медицинской диагностики // Digital Diagnostics. 2023. Т. 4, № 3. С. 252–267. doi: 10.17816/DD321971.

19. Maki J.H., Patel N.U., Ulrich E.J., Dhaouadi J., Jones R.W. Part I: prostate cancer detection, artificial intelligence for prostate cancer and how we measure diagnostic performance: a comprehensive review // Current problems in diagnostic radiology. 2024. Vol. 53, No. 5. Р. 606–613. https://doi.org/10.1067/j.cpradiol.2024.04.002.

20. Belue M.J., Turkbey B. Tasks for artificial intelligence in prostate MRI // European radiology experimental. 2022. Vol. 6, No. 1. Р. 33. https://doi.org/10.1186/s41747-022-00287-9.

21. Jimenez-Pastor A., Lopez-Gonzalez R., Fos-Guarinos B., Garcia-Castro F., Wittenberg M. et al. Automated prostate multi-regional segmentation in magnetic resonance using fully convolutional neural networks // European radiology. 2023. Vol. 33, No. 7. Р. 5087–5096. https://doi.org/10.1007/s00330-023-09410-9.

22. Sanford T.H., Zhang L., Harmon S.A., Sackett J., Yang D. et al. Data Augmentation and Transfer Learning to Improve Generalizability of an Automated Prostate Segmentation Model // AJR. American journal of roentgenology. 2020. Vol. 215, No. 6. Р. 1403–1410. https://doi.org/10.2214/AJR.19.22347.

23. Ushinsky A., Bardis M., Glavis-Bloom J., Uchio E., Chantaduly C. et al. A 3D-2D Hybrid U-Net Convolutional Neural Network Approach to Prostate Organ Segmentation of Multiparametric MRI. // AJR. American Journal of Roentgenology. 2021. Vol. 216, No. 1. Р. 111–116. https://doi.org/10.2214/AJR.19.22168.

24. Wang B., Lei Y., Tian S., Wang T., Liu Y. et al. Deeply supervised 3D fully convolutional networks with group dilated convolution for automatic MRI prostate segmentation // Medical physics. 2019. Vol. 46, No. 4. Р. 1707–1718. https://doi.org/10.1002/mp.13416.

25. Cao R., Mohammadian Bajgiran A., Afshari Mirak S., Shakeri S., Zhong X. et al. Joint Prostate Cancer Detection and Gleason Score Prediction in mp-MRI via FocalNet // IEEE transactions on medical imaging. 2019. Vol. 38, No. 11. Р. 2496–2506. https://doi.org/10.1109/TMI.2019.2901928.

26. Le M.H., Chen J., Wang L., Wang Z., Liu W. et al. Automated diagnosis of prostate cancer in multi-parametric MRI based on multimodal convolutional neural networks // Physics in medicine and biology. 2017. Vol. 62, No. 16. Р. 6497–6514. https://doi.org/10.1088/1361-6560/aa7731.

27. Belue M.J., Harmon S.A., Lay N.S., Daryanani A., Phelps T.E. et al. The Low Rate of Adherence to Checklist for Artificial Intelligence in Medical Imaging Criteria Among Published Prostate MRI Artificial Intelligence Algorithms // Journal of the American College of Radiology: JACR. 2023. Vol. 20, Nо. 2. Р. 134–145. https://doi.org/10.1016/j.jacr.2022.05.022.