Возможности автоматических систем в интерпретации рентгенограмм легких у пациентов с подозрением на округлое образование

Цель исследования. Проанализировать информативность автоматического распознавания образований в легких при цифровой рентгенографии на примере одного из общедоступных диагностических алгоритмов. Материалы и методы. Исследование основано на результатах распознавания и анализа цифровых рентгенограмм из тестовых баз посредством программного продукта на основе сверточных нейронных сетей на примере одного из общедоступных диагностических алгоритмов. База данных состояла из анонимизированных цифровых рентгенограмм 240 пациентов, чье здоровье было подтверждено гистологическими данными и результатами компьютерной томографии (КТ), соотношение норма: патология составило 50:50%. Результаты. При использовании автоматического распознавания образований в легких на цифровой рентгенографии были показаны хорошие возможности выявления округлых образований в легочной ткани (93% патологических изменений). Результаты распознавания при солидной структуре изменений были выше, чем при субсолидной — 94 и 88% соответственно. Выявлена существенная зависимость возможности выявления образований в легких от их размеров. При наличии очаговых образований до 10 мм, ни в одном из случаев алгоритм не определил их с вероятностью более 50%, и только в 33% случаев вероятность составила 10–50%. Существенно выше показатели при размере образований 10–30 мм (61% солидных образований и 25% субсолидных образований с показателем вероятности более 90%). При размере солидных образований более 30 мм выявлено 100% случаев, при этом в 73% вероятность указана более 90%. Также было выявлено 100% субсолидных образований. Выводы. Использование автоматических систем в качестве способа интерпретации рентгенограмм является перспективным направлением, требующим дальнейшего совершенствования и более детального изучения получаемых результатов. Диагностическая эффективность данных алгоритмов приближается к аналогичным показателям врачей-рентгенологов. В настоящее время результаты, получаемые при использовании алгоритма как программного продукта, направленного на выявление округлых образований в легких, не могут использоваться как достоверный диагностический метод, но могут быть рассмотрены в качестве вспомогательного «второго чтения» для врача-рентгенолога.

рентгенография легких, округлые образования, скрининг, искусственный интеллект, сверточные нейронные сети

1. Тюрин И.Е. Лучевая диагностика в российской федерации в 2016 г. // Вестник рентгенологии и радиологии. 2017. Т. 98, № 4. С. 219–226.

2. Лучкевич В.С., Хасанова Е.А. Тенденции эпидемиологической ситуации по туберкулезу в России на современном этапе (обзор) // Медицинский альянс. 2016. № 3. С. 20–23

3. Фтизиатрия. Национальные клинические рекомендации / под ред. П. К. Яблонского. М.: ГЭОТАР-Медиа, 2015. 240 с.

4. Яблонский П.К., Васильева И.А., Эргешов А.Э. Клинические рекомендации по диагностике и лечению туберкулеза органов дыхания у взрослых. М., 2013.

5. Корецкая Н.М., Наркевич А.Н. Впервые выявленный туберкулёз лёгких у лиц, соблюдающих и нарушающих регламентированные сроки флюорообследования в эпидемически неблагополучном регионе // Туберкулез и болезни легких. 2013. Т. 90, № 9. С. 21–24.

6. Гаврилов П.В., Ушков А.Д., Смольникова У.А. Выявление округлых образований в легких при цифровой рентгенографии: роль опыта работы врача-рентгенолога // Медицинский альянс. 2019. № 2. С. 51–56.

7. Yerushalmy J. et al. The role of dual reading in mass radiography // American Review of Tuberculosis. 1950. Vol. 61. Р. 443–464.

8. Nakamura K. et al. Studies on the diagnostic value of 70 mm radiophotograms by mirror camera and the reading ability of physicians // Kekkaku. 1970. Vol. 45. Р. 121–128.

9. Морозов С.П., Владзимирский А.В., Ледихова Н.В., Соколина И.А., Кульберг Н.С., Гомболевский В.А. Оценка диагностической точности системы скрининга туберкулеза легких на основе искусственного интеллекта // Туберкулез и болезни легких. 2018. Т. 95, № 8. С. 42–49.

10. Lakhani Р. et al. Deep Learning at Chest Radiography: Automated Classification of Pulmonary Tuberculosis by Using Convolutional Neural Networks // Radiology. 2017. Vol. 284, Iss. 2. Р. 574–582.

11. Jaeger S. et al. Automatic Tuberculosis Screening Using Chest Radiographs // IEEE transactions on medical imaging. 2014. Vol. 33, Iss. 2. P. 233–245.

12. Гаврилов П.В., Баулин И.А., Лукина О.В. Стандартизованная интерпретация и контроль выявленных одиночных образований в легких по системе Lung Imaging Reportingand Data System (Lung-RADS™) // Медицинский альянс. 2017. № 3. С. 17–27.

13. Garland L.H. On the reliability of roentgen survey procedures // American Journal of Rentgenology and Radium Therapeutic Nuclear Medicine. 1950. Vol. 64. Р. 32–41.

14. Garland L.H. Studies on the accuracy of diagnostic procedures // American Journal of Rentgenology and Radium Therapeutic Nuclear Medicine. 1959. Vol. 82. Р. 25–38.

15. Newell R.R. Chamberlain WE. Rigler L. Descriptive classification of pulmonary shadows: a revelation of unreliability in the roentenographic diagnosis of tuberculosis // American Review of Tuberculosis. 1954. Vol. 69. Р. 566–584.

16. Sone S. et al. Characteristics of small lung cancers invisible on conventional chest radiography and detected by population based screening using spiral CT // The British journal of radiology. 2000. Vol. 73. No. 866. Р. 137–145.

17. Dobbins J.T. et al. Digital tomosynthesis of the chest for lung nodule detection: Interim sensitivity results from an ongoing NIH‐sponsored trial // Medical physics. 2008. Vol. 35. No. 6. Part 1. Р. 2554–2557.

18. Мелдо А.А., Уткин Л.В., Трофимова Т.Н., Рябинин М.А., Моисеенко В.М., Шелехова К.В. Новые подходы к разработке алгоритмов искусственного интеллекта в диагностике рака легкого // Лучевая диагностика и терапия. 2019. Т. 10, № 1. С. 8–18 DOI: 10.22328/2079-5343-2019-10-1-8-18.