НОВЫЕ ПОДХОДЫ К РАЗРАБОТКЕ АЛГОРИТМОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ДИАГНОСТИКЕ РАКА ЛЕГКОГО

Актуальность разработки интеллектуальной автоматизированной системы диагностики (ИАСД) рака легкого (РЛ) связана с социальной значимостью этого заболевания и его лидирующей позицией в структуре онкологической заболеваемости. Теоретически применение ИАСД возможно как на этапе скрининга, так и в уточненной диагностике РЛ. Применяемые подходы к обучению ИАСД не учитывают клинико-рентгенологическую классификацию и особенности клинических форм РЛ, используемые медицинским сообществом. С этим связаны трудности применения разрабатываемых в настоящее время систем. Авторы придерживаются мнения, что приближенность разрабатываемой ИАСД к «логике врача» способствует лучшей воспроизводимости и интерпретируемости результатов при ее использовании. Большинство описанных в литературе ИАСД созданы на основе нейронных сетей, которые обладают рядом недостатков, влияющих на воспроизводимость при использовании системы. Данная работа отражает применение комбинированного алгоритма с использованием методов машинного обучения, таких как глубокий лес и сиамская нейронная сеть, что является более эффективным подходом при малой выборке обучающих данных и оптимальным с точки зрения воспроизводимости. Открытые базы данных, применяемые при разработке ИАСД, включают размеченные, но в ряде случаев не подтвержденные морфологически находки. В статье приводится описание базы данных LIRA, созданной на материале Санкт-Петербургского клинического научно-практического центра специализированных видов медицинской помощи (онкологический), которая включает только компьютерные томограммы пациентов с верифицированным диагнозом. В статье описаны этапы машинного обучения по признакам формы, внутренней структуры, а также новая разработанная архитектура дифференциальной диагностики образований на основе сиамских нейронных сетей. Также отражен способ понижения размерности данных для более эффективного и быстрого обучения системы.

1. Forman D., Bray F., Brewster D.H., Gombe Mbalawa C., Kohler B., Piñeros M., Steliarova-Foucher E., Swaminathan R., Ferlay J. Cancer Incidence in Five Continents // IARC Scientific Publications. 2014. Vol. 10, Nо. 164. Р. 10.

2. Lyon, International Agency for Research on Cancer. Available from: http://ci5.iarc.fr. (accessed: 26.02.2017)

3. Карамова Д.А., Кудинова А.И., Толстова А.В., Савельев В.Н. Исследование заболеваемости злокачественными заболеваниями легких // Авиценна. 2018. № 17. С. 44–47. [Karamova D.A., Kudinova A.I., Tolstova A.V., Savel’ev V.N. Issledovanie zabolevaemosti zlokachestvennymi zabolevaniyami legkih. Avicenna, 2018, Nо. 17, рр. 44–47 (In Russ.)].

4. Гомболевский В.А., Барчук А.А., Лайпан А.Ш., Ветшева Н.Н., Владзимирский А.В., Морозов С.П. Организация и эффективность скрининга злокачественных новообразований легких методом низкодозной компьютерной томографии // РадиологияПрактика. 2018. № 1 (67). С. 28–36. [Gombolevskij V.A., Barchuk A.A., Lajpan A.Sh., Vetsheva N.N., Vladzimirskij A.V., Morozov S.P. Organizaciya i ehffektivnost’ skrininga zlokachestvennyh novoobrazovanij legkih metodom nizkodoznoj komp’yuternoj tomografii. Radiologiya-Praktika, 2018, Nо. 1 (67), рр. 28–36 (In Russ.)].

5. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. Springer, 2014. 739 р.

6. Kostis W.J., Reeves A.P., Yankelevitz D.F., Henschke C.I. Threedimensional segmentation and growth-rate estimation of small pulmonary nodules in helical CT images // IEEE Transactions on Medical Imaging. 2003. Nо. 22 (10). P. 1259–1274.

7. Doi K. Current status and future potential of computer-aided diagnosis in medical imaging // The British Journal of Radiology. 2005. Nо. 78. P. 3–19.

8. Firmino M., Morais A.H., Mendoca R.M., Dantas M.R., Hekis H.R., Valentim R. Computer-aided detection system for lung cancer in computed tomography scans: review and future prospects // Biomedical engineering online. 2014. Nо. 13 (1). P. 41.

9. Rehman M.Z., Javaid M., Shah S.I.A., Gilani S.O., Jamil M., Butt S.I. An appraisal of nodules detection techniques for lung cancer in CT images // Biomedical Signal Processing and Control. 2018. Nо. 41. P. 140–151.

10. Кобцова Т.В., Мелдо А.А., Хейнштейн В.А. Нетипичные находки в диагностике периферического рака легкого // Материалы V юбилейного международного конгресса «Кардиоторакальная радиология». СПб.: Человек и его здоровье, 2018. С. 52–53. [Kobcova T.V., Meldo A.A., Hejnshtejn V.A. Netipichnye nahodki v diagnostike perifericheskogo raka lyogkogo. Materialy V yubilejnogo mezhdunarodnogo kongressa «Kardiotorakal’naya radiologiya». Saint Petersburg: Izdatel’stvo «Chelovek i ego zdorov’e», 2018, рр. 52–53 (In Russ.)].

11. Bramer M. Principles of Data Mining. Springer, 2007. 354 р.

12. Battaglia P.W., Hamrick J.B., Bapst V., Sances-Gonzales A. et al. Relational inductive biases, deep learning, and graph networks // arXive1806.01261. Jul. 2018.

13. Zhou Z.-H., Feng J. Deep forest: Towards an alternative to deep neural networks // Proceedings of the 26th International Joint Conference on Artificial Intelligence (IJCAI’17). Melbourne: Australia, 2017. P. 3553–3559.

14. Zhi-Hua Zhou Ji Feng. Deep Forest // National Science Review. 2018. 8 Oct. https://doi.org/10.1093/nsr/nwy108.

15. Utkin L.V., Ryabinin M.A. A Siamese deep forest // KnowledgeBased Systems. 2018. Vol. 139. P. 13–22.

16. Тегированные результаты компьютерных томографий легких: а.с. 2018620500 Рос. Федерация / Морозов С.П., Кульберг Н.С., Гомболевский В.А. и соавт.; заявитель и правообладатель: ГБУЗ «НПЦМР ДЗМ». № 2018620148; заявл. 06.02.2018; опубл. 28.03.2018, Бюл. № 4. 1 с. [Tegirovannye rezul’taty komp’yuternyh tomografij legkih: a.s. 2018620500 Ros. Federaciya / Morozov S.P., Kul’berg N.S., Gombolevskij V.A. et al.; zayavitel’ i pravoobladatel’: GBUZ «NPCMR DZM». No. 2018620148; zayavl. 06.02.2018; opubl. 28.03.2018, Byul. No. 4. 1 р. (In Russ.)].

17. Имянитов Е.Н. Рак легкого в начале XXl века // Русский медицинский журнал. 2007. № 5. С. 400. [Imyanitov E.N. Rak legkogo v nachale XXI veka. Russkij medicinskij zhurnal, 2007, No. 5, р. 400 (In Russ.)].

18. Имянитов Е.Н. Современные представления о молекулярных мишенях в опухолях легкого // Практическая онкология. 2018. Т. 19, № 2. С. 93–104. [Imyanitov E.N. Sovremennye predstavleniya o molekulyarnyh mishenyah v opuholyah legkogo. Prakticheskaya onkologiya, 2018, Vol. 19, No. 2, рр. 93–104 (In Russ.)].

19. http://www.cancerimagingarchive.net/

20. Armato III S.G., McLennan G. et al. The lung image databas econsortium (LIDC) and image database resource initiative (IDRI): a completed reference database of lung nodules on CT scans // Medical. Physics. 2011. Vol. 38, No. 2b. P. 915–931.

21. Causey J., Zhang J., Ma S., Jiang B., Qualls J., Politte D.G., Prior F., Zhang S., Huang X. Highly accurate model for prediction of lung nodule malignancy with CT scans // arXiv: 1802.01756. Feb. 2018.

22. Моисеенко В.М., Мелдо А.А., Уткин Л.В., Прохоров И.Ю., Рябинин М.А., Богданов А.А. Автоматизированная система обнаружения объемных образований в легких как этап развития искусственного интеллекта в диагностике рака легкого // Лучевая диагностика и терапия. 2018. № 3. С. 62–68. [Moiseenko V.M., Meldo A.A., Utkin L.V., Prohorov I.Yu., Ryabinin M.A., Bogdanov A.A. Avtomatizirovannaya sistema obnaruzheniya ob»emnyh obrazovanij v legkih kak ehtap razvitiya iskusstvennogo intellekta v diagnostike raka legkogo. Luchevaya diagnostika i terapiya, 2018, No. 3, рр. 62–68 (In Russ.)].

23. Прохоров И.Ю., Рябинин М.А., Мелдо А.А., Уткин Л.В. Формирование баз данных с целью машинного обучения в диагностике рака легкого // Конгресс Российского общества рентгенологов и радиологов. Сборник тезисов. СПб., 2018. С. 124–125. [Prohorov I.Yu., Ryabinin M.A., Meldo A.A., Utkin L.V. Formirovanie baz dannyh s cel’yu mashinnogo obucheniya v diagnostike raka legkogo. Kongress Rossijskogo obshchestva rentgenologov i radiologov. Sbornik tezisov. Saint Petersburg, 2018, рр. 124–125 (In Russ.)].

24. Koch G., Zemel R., Salakhutdinov R. Siamese neural networks for one-shot image recognition // Proceedings of the 32nd International Conference on Machine Learning. Lille, France. 2015. Vol. 37. P. 1–8.