Применение систем искусственного интеллекта в нейрорадиологии острого ишемического инсульта
https://doi.org/10.22328/2079-5343-2021-12-2-30-36
Аннотация
Введение. Искусственный интеллект в настоящее время является наиболее быстро развивающейся областью, имеющей большое значение для лучевой диагностики. Цель обзора: изучить современное состояние применения систем искусственного интеллекта в визуализации острого ишемического инсульта. Результаты. В настоящее время имеется множество программных решений на основе искусственного интеллекта, позволяющих успешно применять автоматическую обработку изображений для оценки данных нейровизуализации при острых нарушениях мозгового кровообращения: раннее выявление диагностическими методами визуализации, оценка времени начала заболевания, сегментация поражения, анализ наличия и возможности возникновения отека мозга, а также прогнозирование осложнений и результатов лечения. Заключение. Первые результаты применения искусственного интеллекта для оценки данных нейровизуализации показали, что методы машинного обучения могут быть полезны в качестве инструментов принятия решений при выборе лечения для острого ишемического инсульта.
Об авторах
П. Л. Андропова
Институт мозга человека имени Н. П. Бехтеревой Российской академии наук; Городская больница Святой преподобномученицы Елизаветы
Россия
Россия
Андропова Полина Леонидовна — аспирант федерального государственного бюджетного учреждения науки «Институт мозга человека имени Н.П.Бехтеревой»; врач кабинета компьютерной томографии рентгеновского отделения
197376, Санкт-Петербург, ул. Академика. Павлова, д. 9
195257, Санкт-Петербург, ул. Вавиловых, д. 14
П. В. Гаврилов
Санкт-Петербургский государственный университет
Россия
Россия
Гаврилов Павел Владимирович — кандидат медицинских наук, доцент научно-клинического и образовательного центра «Лучевая диагностика и ядерная медицина» научно- клинического и образовательного центра «Лучевая диагностика и ядерная медицина»
199034, Санкт-Петербург, Университетская набережная, д. 7–9
SPIN-код 7824–5374
Ж. И. Савинцева
Институт мозга человека имени Н. П. Бехтеревой Российской академии наук
Россия
Россия
Савинцева Жанна Игоревна — кандидат медицинских наук, научный сотрудник лаборатории нейровизуализации
197376, Санкт-Петербург, ул. Академика Павлова, д. 9
SPIN-код 6620–9449
А. В. Вовк
Городская больница Святой преподобномученицы Елизаветы
Россия
Россия
Вовк Андрей Владиславович — кандидат медицинских наук, врач-хирург, заместитель главного врача по медицинской части
195257, Санкт-Петербург, ул. Вавиловых, д. 14, A
Е. В. Рыбин
Городская больница Святой преподобномученицы Елизаветы
Россия
Россия
Рыбин Евгений Владимирович — кандидат медицинских наук, врач-кардиолог, заместитель главного врача по терапии
195257, Санкт-Петербург, ул. Вавиловых, д. 14, А
Список литературы
1. Global, regional, and national burden of stroke, 1990–2016: a systematic analysis for the Global Burden of Disease Study 2016. GBD 2016 Stroke Collaborators // Lancet Neurol. 2019. Vol. 18. Р. 439–458. Published Online March 11. 2019. doi: 10.1016/S1474-4422(19)30034-1.
2. Barber P.A., Demchuk A.M., Zhang J. et al. Validity and reliability of a quantitative computed tomography score in predicting outcome of hyperacute stroke before thrombolytic therapy // Lancet. 2000. Vol. 355. Р. 1670–1674. doi: 10.1016/s0140-6736(00)02237-6.
3. Dzialowski I., Hill M.D., Coutts S.B. et al. Extent of early ischemic changes on computed tomography (CT) before thrombolysis: prognostic value of the Alberta Stroke Program Early CT Score in ECASS II // Stroke. 2006. Vol. 37. Р. 973–9678. doi: 10.1161/01.STR.0000206215.62441.564.
4. Трофимова Т.Н., Потапов А.А., Пронин И.Н., Ананьева Н.И. и др. Современные стандарты анализа лучевых изображений и алгоритмы построения заключения. Руководство для врачей. СПб., 2020
5. Gupta A.C., Schaefer P.W., Chaudhry Z.A., Leslie-Mazwi T.M., Chandra R.V., González R.G. et al. Interobserver reliability of baseline noncontrast CT Alberta Stroke Program early CT score for intra-arterial stroke treatment selection // AJNR Am J. Neuroradiol. 2012. Vol. 33. Р. 1046–1049. doi: 10.3174/ajnr.A2942.
6. Mak H.K., Yau K.K., Khong P.L., Ching A.S., Cheng P.W., Au-Yeung P.K. et al. Hypodensity of >1/3 middle cerebral artery territory versus Alberta Stroke Programme Early CT Score (ASPECTS): comparison of two methods of quantitative evaluation of early CT changes in hyperacute ischemic stroke in the community setting // Stroke. 2003. Vol. 34. Р. 1194–1196. doi: 10.1161/01.STR.0000069162.64966.71.
7. Zhao Y., Healy B.C., Rotstein D., Guttmann C.R., Bakshi R., Weiner H.L. et al. Exploration of machine learning techniques in predicting multiple sclerosis disease course // PLoS ONE. 2017. Vol. 12: e0174866. doi: 10.1371/journal.pone.0174866.
8. Дорожная карта развития «сквозной» цифровой технологии «Нейротехнологии и искусственный интеллект», 2019.
9. Samuel’s Checkers Player // Sammut C., Webb G.I. (eds.) Encyclopedia of Machine Learning. Springer, Boston, MA. doi: 10.1007/978-0-387-30164-8_740.
10. Cruz J.A., Wishart D.S. Applications of machine learning in cancer prediction and prognosis // Cancer informatics. 2006. Vol. 2, No 59, 11; Vol. 2. Р. 59– 77. PMID: 19458758; PMCID: PMC2675494.
11. Shen D., Wu G., Suk H.I. Deep Learning in Medical Image Analysis // Annual review of biomedical engineering. 2017. Vol. 19. Р. 221–248. doi: 10.1146/annurev-bioeng-071516-044442.
12. Zhou N., Siegel Z.D., Zarecor S. et al. Crowdsourcing image analysis for plant phenomics to generate ground truth data for machine learning // PLoS Comput Biol. 2018. Vol. 14, No. 7. e1006337. doi: 10.1371/journal.pcbi.1006337
13. Yamashita R., Nishio M., Do RKG., Togashi K (2018) Convolutional neural networks: an overview and application in radiology // Insights Imaging. 2018. Vol. 9, No. 4. Р. 611–629. doi: 10.1007/s13244-018-0639-9.
14. Cardenas C.E., Yang J., Anderson B.M., Court L.E., Brock K.B. Advances in Auto-Segmentation. Semin Radiat Oncol. 2019. Jul. Vol. 29, No. 3. Р. 185– 197. doi: 10.1016/j.semradonc.2019.02.001
15. Gillies R.J., Kinahan P.E., Hricak H. Radiomics: Images Are More than Pictures, They Are Data // Radiology. 2016. Vol. 278. Р. 563–577. doi: 10.1148/radiol.2015151169
16. Zhou M., Chaudhury B., Hall L.O. et al. Identifying spatial imaging biomarkers of glioblastoma multiforme for survival group prediction // J. Magn. Reson. Imaging. 2016. doi: 10.1002/jmri.25497.
17. Schnack H.G., Nieuwenhuis M., van Haren N.E., Abramovic L., Scheewe T.W., Brouwer R.M et al. Can structural MRI aid in clinical classification? A machine learning study in two independent samples of patients with schizophrenia, bipolar disorder and healthy subjects // Neuroimage. 2014. Vol. 84. Р. 299–306. doi: 10.1016/j.neuroimage.2013.08.053.
18. Yankam Njiwa Y., Gray K.R., Costes N., Mauguiere F., Ryvlin P., Hammers A. Advanced [18F]FDG and [11C] flumazenil PET analysis for individual outcome prediction after temporal lobe epilepsy surgery for hippocampal sclerosis // NeuroImage: Clinical. 2015. Vol. 7. Р. 122–131. doi: 10.1016/j.nicl.2014.11.013.
19. Sakai K., Yamada K. Machine learning studies on major brain diseases: 5-year trends of 2014–2018 // Jpn. J. Radiol. 2019. Vol. 37, No. 1. Р. 34–72. Epub 2018/12/01. doi: 10.1007/s11604-018-0794-4.
20. Wang S.-H., Tang C., Sun J., Yang J., Huang C., Phillips P. et al. Multiple sclerosis identification by 14-layer convolutional neural network with batch normalization, dropout, and stochastic pooling // Front. Neurosci. 2018. Vol. 12. Р. 818. doi: 10.3389/fnins.2018.00818.
21. Ho K.C., Speier W., El-Saden S., Arnold C.W. Classifying acute ischemic stroke onset time using deep imaging features // AMIA Annual Symposium Proceedings. Washington, DC, 2017. Р. 892–901. PMID: 29854156 PMCID: PMC5977679.
22. Chen L., Bentley P., Rueckert D. Fully automatic acute ischemic lesion segmentation in DWI using convolutional neural networks // NeuroImage. 2017. Vol. 5. Р. 633–643. doi: 10.1016/j.nicl.2017.06.016.
23. Bouts M.J., Tiebosch I.A., van der Toorn A., Viergever M.A., Wu O., Dijkhuizen R.M. et al. Early identification of potentially salvageable tissue with MRI-based predictive algorithms after experimental ischemic stroke // J. Cereb. Blood. Flow Metab. 2013. Vol. 33. Р. 1075–1082. doi: 10.1038/jcbfm.2013.51.
24. Huang S., Shen Q., Duong T.Q. Quantitative prediction of acute ischemic tissue fate using support vector machine // Brain Res. 2011. Vol. 1405. Р. 77– 84. doi: 10.1016/j.brainres.2011.05.066.
25. Chen Y., Dhar R., Heitsch L., Ford A., Fernandez-Cadenas I., Carrera C. Automated quantification of cerebral edema following hemispheric infarction: application of a machine-learning algorithm to evaluate CSF shifts on serial head CTs // NeuroImage. 2016. Nо 2. Р. 673–680. doi: 10.1016/j.nicl.2016.09.018.
26. Dhar R., Chen Y., An H., Lee J.M. Application of machine learning to automated analysis of cerebral edema in large cohorts of ischemic stroke patients // Front. Neurol. 2018. Vol. 9. Р. 687. doi: 10.3389/fneur.2018.00687.
27. Yu Y., Guo D., Lou M., Liebeskind D., Scalzo F. Prediction of hemorrhagic transformation severity in acute stroke from source perfusion MRI // IEEE Transactions on Biomedical Engineering. 2018. Vol. 65. Р. 2058–2065 doi: 10.1109/TBME.2017.2783241.
28. Scalzo F., Alger J.R., Hu X., Saver J.L., Dani K.A., Muir K.W. Multi-center prediction of hemorrhagic transformation in acute ischemic stroke using permeability imaging features // Magn. Reson. Imag. 2018. Vol. 31, No. 6. Р. 961–969. doi: 10.1016/j.mri.2013.03.013.
29. Nielsen A., Hansen M.B., Tietze A., Mouridsen K. Prediction of tissue outcome and assessment of treatment effect in acute ischemic stroke using deep learning // Stroke. 2018. Vol. 49. Р. 1394–1401. doi: 10.1161/STROKEAHA.117.019740.
30. Bentley P., Ganesalingam J., Carlton Jones A.L., Mahady K., Epton S., Rinne P. et al. Prediction of stroke thrombolysis outcome using CT brain machine learning // NeuroImage. 2014. Vol. 4. Р. 635–640. doi: 10.1016/j.nicl.2014.02.003.
31. Forkert N.D., Verleger T., Cheng B., Thomalla G., Hilgetag C.C., Fiehler J. et al. Multiclass support vector machine-based lesion mapping predicts functional outcome in ischemic stroke patients // PLoS ONE. 2015. Vol. 10. e0129569. doi: 10.1371/journal.pone.0129569.
32. Rondina J.M., Filippone M., Girolami M., Ward N.S. Decoding post-stroke motor function from structural brain imaging // Neuroimage Clin. 2016. Vol. 12. Р. 372–380. doi: 10.1016/j.nicl.2016.07.014.
33. Esteva A., Kuprel B., Novoa R.A. et al. Thrun Dermatologist-level classification of skin cancer with deep neural networks // Nature. 2017. Vol. 542. Р. 115–118. doi: 10.1038/nature21056.
Рецензия
Для цитирования:
Андропова П.Л., Гаврилов П.В., Савинцева Ж.И., Вовк А.В., Рыбин Е.В. Применение систем искусственного интеллекта в нейрорадиологии острого ишемического инсульта. Лучевая диагностика и терапия. 2021;12(2):30-35. https://doi.org/10.22328/2079-5343-2021-12-2-30-36
For citation:
Andropova Р.L., Gavrilov P.V., Savintseva Zh.I., Vovk А.V., Rybin Е.V. Аpplication of artificial intelligence systems in neuroradiology of acute ischemic stroke. Diagnostic radiology and radiotherapy. 2021;12(2):30-35. (In Russ.) https://doi.org/10.22328/2079-5343-2021-12-2-30-36
Просмотров:
1285
Послать статью по эл. почте 