Искусственный интеллект в онкоурологии: интегрированные технологии глубокого обучения в задачах сегментации трёхмерных изображений новообразований почек

С целью повышения точности диагностики онкологических заболеваний представлена новая архитектура свёрточной нейронной сети, обеспечивающая автоматическую сегментацию и обнаружение опухолей почек на трёхмерных изображениях, полученных методом компьютерной томографии. В основу предложенного подхода положена интеграция трёх взаимодополняющих технологий: многоуровневой свёрточной обработки, остаточных соединений и архитектурных принципов U-Net. Такой подход обеспечивает эффективную обработку объёмных медицинских данных. Построена оригинальная нейросетевая система сегментации полученных методом компьютерной томографии изображений почек и обнаружения опухолей почек. Для валидации построенной системы использовали набор данных, который отвечал следующим критериям: достаточный объём выборки (не менее 300 случаев); экспертная разметка изображений; верифицированные диагнозы; разнообразие клинических случаев; открытый доступ для исследовательских целей. Указанным критериям наиболее полно соответствует набор данных KiTS19 (Kidney Tumor Segmentation 2019), предоставленный Клиникой Университета Миннесоты через платформу Grand Challenge. Набор данных включает 300 размеченных трёхмерных изображений почек с верифицированными диагнозами. Этапы эксперимента: предварительная обработка набора данных, включая нормализацию и аугментацию; обучение разработанной системы на 210 случаях; валидация на независимой выборке из 90 случаев. Результаты эксперимента демонстрируют высокую диагностическую эффективность разработанной системы: точность автоматической сегментации анатомических структур почек составила 96 % (по коэффициенту Дайса); точность обнаружения и сегментации опухолевых образований достигла 91 % (по коэффициенту Дайса). Полученные результаты можно применять в следующих областях клинической практики: предоперационное планирование и навигация при органосохраняющих операциях; автоматизированный скрининг исследований с помощью компьютерной томографии для раннего выявления новообразований почек; количественная оценка динамики роста опухолей при мониторинге течения заболевания; поддержка принятия клинических решений в онкоурологии.

1. Nikitaev V. G., Pronichev A. N., Nagornov O. V., Kruglova L. S., Sergeev V. Yu., Otchenashenko A. I. An artificial intelligence model for semantic segmentation of neoplasms in skin images. Biomedical Engineering, 58, 36–39 (2024). https://doi.org/10.1007/s10527-024-10361-8

2. Moawad A. W., Fuentes D. T., ElBanan M. G., Shalaby A. S., Guccione J., Kamel S. Jensen C. T., Elsayes K. M. Artificial intelligence in diagnostic radiology: where do we stand, challenges, and opportunities. Journal of Computer Assisted Tomography, 46(1), 78–90 (2022). https://doi.org/10.1097/RCT.0000000000001247

3. Литвин А. А., Буркин Д. А., Кропинов А. А., Парамзин Ф. Н. Радиомика и анализ текстур цифровых изображений в онкологии (обзор). Современные технологии в медицине, 13(2), 97–106 (2021). https://doi.org/10.17691/stm2021.13.2.11

4. Kim M., Yun J., Cho Y., Shin K., Jang R., Bae H., Kim N. Deep learning in medical imaging. Neurospine, 16(4), 657–668 (2019). https://doi.org/10.14245/ns.1938396.198

5. Никитаев В. Г., Тупицын Н. Н., Проничев А. Н. и др. Анализ биологических объектов методом компьютерной микроскопии в видимом диапазоне электромагнитного излучения с применением нейронных сетей. Краткие сообщения по физике ФИАН, 48(10), 61–68 (2021).

6. Никитаев В. Г., Проничев А. Н., Тамразова О. Б. и др. Сверточные нейронные сети в диагностике новообразований кожи. Безопасность информационных технологий, 28(4), 118–126 (2021). https://doi.org/10.26583/bit.2021.4.09

7. Hosny A., Parmar C., Quackenbush J., Schwartz L. H., Aerts H. J. W. L. Artificial intelligence in radiology. Nature Reviews Cancer, 18(8), 500–510 (2018). https://doi.org/10.1038/s41568-018-0016-5

8. Bluemke D. A., Moy L., Bredella M. A., Ertl-Wagner B. B., Fowler K. J., Goh V. J., Halpern E. F., Hess Ch. P., Schiebler M. L., Weiss C. R. Assessing radiology research on artificial intelligence. Radiology, 294(3), 487–489 (2020). https://doi.org/10.1148/radiol.2019192515

9. Varoquaux G., Cheplygina V. Machine learning for medical imaging: methodological failures and recommendations for the future. NPJ Digital Medicine, 5(1), 48 (2022). https://doi.org/10.1038/s41746-022-00592-y

10. Choy G., Khalilzadeh O., Michalski M., Do S., Samir A. E., Pianykh O. S., Geis J. R., Pandharipande P. V., Brink J. A., Dreyer K. J. Current applications and future impact of machine learning in radiology. Radiology, 288(2), 318–328 (2018). https://doi.org/10.1148/radiol.2018171820

11. Montagnon E., Cerny M., Cadrin-Chênevert A., Hamilton V., Derennes Th., Ilinca A., Vandenbroucke-Menu F., Turcotte S., Kadoury S., Tang A. Deep learning workflow in radiology: a primer. Insights into Imaging, 11, 22 (2020). https://doi.org/10.1186/s13244-019-0832-5

12. European Society of Radiology (ESR). Current practical experience with artificial intelligence in clinical radiology: a survey of the European Society of Radiology. Insights into Imaging, 13(1), 107 (2022). https://doi.org/10.1186/s13244-022-01247-y

13. Mun S. K., Wong K. H., Lo Sh.-Ch. B., Li Ya., Bayarsaikhan Sh. Artificial Intelligence for the Future Radiology Diagnostic Service. Frontiers in Molecular Biosciences, 7, 614258 (2021). https://doi.org/10.3389/fmolb.2020.614258

14. Chan H. P., Samala R. K., Hadjiiski L. M., Zhou C. Deep Learning in Medical Image Analysis. Advances in Experimental Medicine and Biology, 1213, 3–21 (2020). https://doi.org/10.1007/978-3-030-33128-3_1

15. Aggarwal R., Sounderajah V., Martin G., Ting D. S. W., Karthikesalingam A., King D., Ashrafi an H., Darzi A. Diagnostic accuracy of deep learning in medical imaging: a systematic review and meta-analysis. NPJ Digital Medicine, 4(1), 65 (2021). https://doi.org/10.1038/s41746-021-00438-z

16. Zhang Y., Wang Y., Hou F. J. Yang, G. Xiong, J. Tian, Ch. Zhong. Cascaded volumetric convolutional network for kidney tumor segmentation from CT volumes. arXiv:1910.02235v2 [eess.IV]. https://doi.org/10.48550/arXiv.1910.02235

17. Zhao W., Jiang D., Peña Queralta J., Westerlund T. MSS U-Net: 3D segmentation of kidneys and tumors from CT images with a multi-scale supervised U-Net. Informatics in Medicine Unlocked, 19, 100357 (2020). https://doi.org/10.1016/j.imu.2020.100357

18. Heller N., Sathianathen N., Kalapara A. et al. The KiTS19 challenge data: 300 kidney tumor cases with clinical context, CT semantic segmentations, and surgical outcomes. arXiv:1904.00445v2 [eess.IV]. https://doi.org/10.48550/arXiv.1904.00445