Возможности искусственного интеллекта в обнаружении рака предстательной железы по данным магнитно-резонансной томографии: промежуточные показатели эффективности отечественной системы второго мнения в мультицентровом исследовании

Введение: Применение глубокого обучения в обнаружении рака предстательной железы (РПЖ) по данным мультипараметрической МРТ (мпМРТ) представляет собой одно из наиболее противоречивых направлений развития данной технологии в медицине. Несмотря на высокий международный интерес к подобным системам, число тематических исследований в Российской Федерации (РФ) остается ограниченным. ЦЕЛЬ: Описание процесса создания и валидации отечественной системы поддержки принятия врачебных решений (СППВР), предназначенной для диагностики РПЖ по результатам мпМРТ с помощью искусственного интеллекта (ИИ).

Материалы и методы: Данные о пациентах с подтвержденным диагнозом, которым проводилась радикальная простатэктомия, были собраны как ретроспективным, так и проспективным образом. Формирование выборки пациентов осуществлялось в период с 10 января 2023 по 1 мая 2025 года. В качестве рабочих последовательностей использовались Т2- взвешенные изображения (Т2-ВИ) и данные измеряемого коэффициента диффузии (ИКД). Разметка данных производилась вручную тремя специалистами с опытом самостоятельного выполнения и анализа МР-данных пациентов с подозрением на наличие РПЖ более 10 лет. В ходе исследования проводилась апробация четырех различных архитектур (nnU-Net, SegResNet, TransBTS, Swin UNETR) для оценки их эффективности и определения наиболее пригодной в рамках поставленных задач. В качестве метрик точности использовались следующие показатели: чувствительность, специфичность, точность, площадь под ROC-кривой (AUC) и коэффициент Дайса (DSC).

Результаты: В соответствии с критериями включения было собрано 441 исследование, выполненное на 19 различных МР-томографах. Валидация наиболее производительной нейросетевой архитектуры (Swin UNETR) выявила следующие показатели: точность — 73%, чувствительность — 71%, специфичность — 71%, AUC — 0,70, DSC — 0,70.

Обсуждение: Представленная нами работа предназначена для ознакомления специалистов с промежуточными результатами разработки первой отечественной СППВР, реализованной по стратегии избегания недостатков, имеющихся в работах других коллективов.

Заключение: Результаты испытания разработанной программы, основанной на технологиях ИИ, для детекции и реконструкции РПЖ по МР-изображениям, показали многообещающие перспективы для отечественной СППВР. Для подтверждения клинической применимости и эффективности разработанной программы необходимы дальнейшие многоцентровые исследования, направленные на оценку ее потенциала и целесообразности внедрения в реальную клиническую практику.

1. Каприн А.Д., Алексеев Б.Я., Матвеев В.Б. и др. Рак предстательной железы. Клинические рекомендации // Современная онкология. 2021. Т. 23, № 2. С. 211–247. doi: 10.26442/18151434.2021.2.200959.

2. Рубцова Н.А., Мищенко А.В., Данилов В.В. и др. PI-RADS v2.1: движение на пути к ясности (комментарии к обновленной версии) // Онкоурология. 2020. Т. 16, № 2. С. 15–28. doi: 10.17650/1726-9776-2020-16-2-15-28.

3. Lee C.H., Vellayappan B., Tan C.H. Comparison of diagnostic performance and inter-reader agreement between PI-RADS v2.1 and PI-RADS v2: systematic review and meta-analysis // Br. J. Radiol. 2022. Vol. 95, Nо. 1131. P. 20210509. doi: 10.1259/bjr.20210509.

4. Jiang F., Jiang Y., Zhi H. et al. Artificial intelligence in healthcare: past, present and future // Stroke Vasc. Neurol. 2017. Vol. 2, Nо. 4. P. 230–243. doi: 10.1136/svn-2017-000101.

5. Talyshinskii A., Hameed B.M.Z., Ravinder P.P. et al. Catalyzing Precision Medicine: Artificial Intelligence Advancements in Prostate Cancer Diagnosis and Management // Cancers. 2024. Vol. 16, Nо. 10. P. 1809. doi: 10.3390/cancers16101809.

6. Рева С.А., Шадеркин И.А., Зятчин И.В. и др. Искусственный интеллект в онкоурологии // Экспериментальная и клиническая урология. 2021. Т. 14, № 2. С. 46–51. doi: 10.29188/2222-8543-2021-14-2-46-51.

7. Попков В.М., Шатылко Т.В., Королев А.Ю. и др. Оптимизация PSA-скрининга с помощью искусственного интеллекта // Медицинский вестник Башкортостана. 2015. Т. 10, № 3. С. 232–235.

8. Талышинский А.Э., Камышанская И.Г., Мищенко А.В. и др. Применение искусственного интеллекта в обнаружении и стратификации рака предстательной железы: обзор литературы // Вестник Санкт-Петербургского университета. Медицина. 2023. Т. 18, № 2. С. 150–166. doi: 10.21638/spbu11.2023.204.

9. Alowais S.A., Alghamdi S.S., Alsuhebany N. et al. Revolutionizing healthcare: the role of artificial intelligence in clinical practice // BMC Med. Educ. 2023. Vol. 23, Nо 1. P. 689. doi: 10.1186/s12909-023-04698-z.

10. Kumar Y., Koul A., Singla R. et al. Artificial intelligence in disease diagnosis: a systematic literature review, synthesizing framework and future research agenda // J. Ambient Intell. Humaniz. Comput. 2023. Vol. 14, Nо. 7. P. 8459–8486. doi: 10.1007/s12652-021-03612-z.

11. Naik N., Talyshinskii A., Shetty D.K. et al. Smart Diagnosis of Urinary Tract Infections: is Artificial Intelligence the Fast-Lane Solution? // Curr. Urol. Rep. 2024. Vol. 25, Nо. 1. P. 37–47. doi: 10.1007/s11934-023-01192-3.

12. Mukherjee J., Sharma R., Dutta P. et al. Artificial intelligence in healthcare: a mastery // Biotechnol. Genet. Engl. Rev. 2024. Vol. 40, Nо. 3. P. 1659–1708. doi: 10.1080/02648725.2023.2196476.

13. Yu R., Ke-Wen J., Bao J. et al. PI-RADSAI: introducing a new human-in-the-loop AI model for prostate cancer diagnosis based on MRI // Br. J. Cancer. 2023. Vol. 128, Nо. 6. P. 1019–1029. doi: 0.1038/s41416-022-02137-2.

14. Castillo T.J.M., Starmans M.P.A., Arif M. et al. A Multi-Center, Multi-Vendor Study to Evaluate the Generalizability of a Radiomics Model for Classifying Prostate cancer: High Grade vs. Low Grade // Diagnostics. 2021. Vol. 11, Nо. 2. P. 369. doi: 10.3390/diagnostics11020369.

15. Hosseinzadeh M., Saha A., Brand P. et al. Deep learning-assisted prostate cancer detection on bi-parametric MRI: minimum training data size requirements and effect of prior knowledge // Eur. Radiol. 2022. Vol. 32, Nо. 4. P. 2224–2234. doi: 10.1007/s00330-021-08320-y.

16. Rajagopal A., Redekop E., Kemisetti A. et al. Federated Learning with Research Prototypes: Application to Multi-Center MRI-based Detection of Prostate Cancer with Diverse Histopathology // Acad. Radiol. 2023. Vol. 30, Nо. 4. P. 644–657. doi: 10.1016/j.acra.2023.02.012.

17. Alqahtani S., Wei C., Zhang Y. et al. Prediction of prostate cancer Gleason score upgrading from biopsy to radical prostatectomy using pre-biopsy multiparametric MRI PIRADS scoring system // Sci. Rep. 2020. Vol. 10, Nо. 1. P. 7722. doi: 10.1038/s41598-020-64693-y.

18. Siddiqui M.M., Rais-Bahrami S., Truong H. et al. Magnetic resonance imaging/ultrasound-fusion biopsy significantly upgrades prostate cancer versus systematic 12-core transrectal ultrasound biopsy // Eur. Urol. 2013. Vol. 64, Nо. 5. P. 713–719. doi: 10.1016/j.eururo.2013.05.059.

19. Ishioka J., Matsuoka Y., Uehara S. et al. Computer-aided diagnosis of prostate cancer on magnetic resonance imaging using a convolutional neural network algorithm // BJU Int. 2018. Vol. 122, Nо. 3. P. 411–417. doi: 10.1111/bju.14397.