Лента новостей → Научная премия RSNA имени Куо Йорка Чинна в области нейрорадиологии вручена во время RSNA 2025.
Разработка модели глубокого обучения, обученной прогнозировать рассеянный склероз, получила главную награду.
Научная премия RSNA имени Куо Йорка Чинна в области нейрорадиологии вручена во время RSNA 2025.
Рассеянный склероз (РС) — наиболее распространенное демиелинизирующее заболевание центральной нервной системы в США. Несмотря на это, его диагностика представляет собой сложную задачу. «Определенного биомаркера для РС не существует», — говорит Цзяцзянь Ма, доктор медицинских наук, аспирант в области анализа данных в Нью-Йоркском университете. «Его клинические и радиологические проявления очень гетерогенны и могут совпадать с симптомами таких заболеваний, как мигрень и поражение мелких сосудов головного мозга».
По словам доктора Ма, поражения белого вещества и диффузные повреждения белого вещества, выглядящего нормальным (NAWM), являются двумя ключевыми патологическими изменениями при рассеянном склерозе. В то время как поражения можно выявить с помощью обычной структурной МРТ (sMRI), более тонкие повреждения NAWM часто скрыты на sMRI и требуют применения методов dMRI для их обнаружения.
Однако, по словам доктора Ма, диффузионная МРТ не включена в существующие диагностические критерии рассеянного склероза и не используется повсеместно в рутинной клинической практике. Поэтому диагностика рассеянного склероза основывается на биомаркерах, выявляемых при визуализации очагов поражения, что иногда может приводить к гипердиагностике, когда у пациентов наблюдаются заболевания, имитирующие рассеянный склероз.
«Я считаю, что повреждение нормального белого вещества головного мозга может служить дополнительным биомаркером», — сказала доктор Ма. «Это может помочь отличить рассеянный склероз от сосудистых поражений белого вещества, при которых обычно отсутствуют распространенные аномалии нормального белого вещества».
Кривые рабочих характеристик приемника (ROC) при использовании только FLAIR-изображений на внешнем тестовом наборе, сравнивающие модели, обученные с помощью sMRI+dMRI, с моделями, обученными только с помощью sMRI. (A) До маскирования поражений: модели, обученные с помощью sMRI+dMRI (красный, фиолетовый), достигают более высоких значений ROC-AUC, чем модели, обученные только с помощью sMRI (синий, зеленый), что указывает на то, что включение dMRI в процесс обучения улучшает обобщающую способность при применении к выводу на основе sMRI. (B) После маскирования поражений (иллюстрировано на рисунках C–D): модели, обученные с помощью sMRI+dMRI (красный, фиолетовый), сохраняют превосходные характеристики, несмотря на удаление сигналов поражений, что предполагает большую чувствительность к аномалиям белого вещества, выглядящего нормальным (NAWM).
Искусственный интеллект повышает точность обнаружения рассеянного склероза.
Для разработки модели глубокого обучения, способной улавливать скрытую информацию о нормальном белом веществе головного мозга на структурных МРТ-снимках для прогнозирования рассеянного склероза, доктор Ма и его коллеги обучили ее на мультимодальном наборе данных, включающем 8118 структурных и 3621 диффузионную МРТ-сканирование.
Производительность модели оценивалась как на внутреннем тестовом наборе (n=838, из NYU Langone Health), так и на внешнем тестовом наборе (n=1756, из 14 общедоступных наборов данных), каждый из которых включал широкий спектр состояний, имитирующих рассеянный склероз, таких как поражения белого вещества, вызванные мигренью, цереброваскулярные заболевания и демиелинизирующие расстройства, не связанные с рассеянным склерозом.
«Мы включили dMRI в процесс обучения, чтобы направить модель на изучение связанных с нормальным белым веществом признаков рассеянного склероза, что привело к более надежным представлениям на основе sMRI для различения рассеянного склероза от его имитаций, без необходимости проведения дополнительных сканирований dMRI на этапе вывода результатов», — пояснил доктор Ма.
При тестировании с использованием только sMRI модель продемонстрировала отличные результаты как на внутреннем (AUC = 0,965, 95% CI [0,942–0,985]), так и на внешнем наборе данных (AUC = 0,976, 95% CI [0,968–0,983]).
В ходе продолжающегося исследования с участием читателей модель также продемонстрировала многообещающие тенденции к повышению чувствительности и специфичности по сравнению с общепринятыми диагностическими биомаркерами рассеянного склероза, включая
- Распространение в пространстве, например, при рассеянном склерозе, когда очаги поражения появляются в разных областях головного или спинного мозга.
- Распространение во времени означает образование новых очагов рассеянного склероза в разные моменты времени.
- Признак центральной вены, обозначающий появление небольшой вены, проходящей через центр очага поражения при рассеянном склерозе, помогает отличить это заболевание от других.
- Парамагнитные краевые поражения, распознаваемые как очаги рассеянного склероза с темным внешним кольцом, видимым на МРТ высокого разрешения.
Включение dMRI в процесс обучения существенно улучшило обобщающую способность модели на внешних наборах данных. При использовании изображений с подавлением сигнала от жидкости (FLAIR) для вывода результатов показатель AUC увеличился с 0,921 до 0,970.
Даже после удаления очагов поражения на FLAIR-изображениях модель, обученная как с использованием dMRI, так и с использованием sMRI, сохранила превосходные показатели (AUC = 0,867 против 0,766 при обучении только на sMRI).
«Мы были удивлены, что включение диффузионной МРТ в процесс обучения значительно улучшило способность модели делать выводы на основе данных из разных центров», — сказал доктор Ма. «Даже когда мы цифровым образом «заполнили» области поражения головного мозга, модель все равно показала неплохие результаты, что говорит о том, что области мозга за пределами видимых очагов поражения также могут предоставлять важные подсказки для диагностики рассеянного склероза».
«Мы были удивлены, что включение диффузионной МРТ в процесс обучения значительно улучшило способность модели делать выводы на основе данных из разных центров. Даже когда мы цифровым образом «заполнили» области поражения головного мозга, модель все равно показала неплохие результаты, что позволяет предположить, что области головного мозга за пределами видимых очагов поражения также могут предоставлять важные подсказки для диагностики рассеянного склероза».
— Цзяцзянь М.А., доктор медицинских наук
Шаг к более индивидуализированной диагностике и лечению
Диагноз рассеянного склероза обычно ставят неврологи, а рентгенологи предоставляют данные визуализации, которые помогают неврологу в оценке. Доктор Ма и его коллеги разработали свою модель, чтобы упростить этот процесс, предоставляя количественные данные, выходящие за рамки традиционных биомаркеров визуализации. Такие данные включали оценку вероятности рассеянного склероза, соответствующую оценку достоверности и карту значимости.
«Наша нынешняя система специально разработана для рассеянного склероза, но ее можно легко адаптировать для решения смежных задач», — сказала доктор Ма. «Для других неврологических расстройств многие исследовательские группы изучают аналогичные подходы глубокого обучения с использованием МРТ головного мозга. Вместе эти усилия могут постепенно изменить то, как мы используем методы визуализации для понимания и лечения сложных заболеваний головного мозга».
Хотя первоначальные результаты многообещающие, доктор Ма признал, что по-прежнему существуют ключевые проблемы внедрения инструментов на основе глубокого обучения в клиническую практику.
«Смогут ли эти инструменты действительно повлиять на будущие диагностические критерии, будет зависеть от того, насколько хорошо они продемонстрируют свою клиническую ценность в реальных условиях», — сказал он. «Наше исследование носит преимущественно ретроспективный характер, и для подтверждения эффективности модели и ее клинического воздействия в реальных условиях потребуется ее дальнейшее внедрение».
Премия RSNA Kuo York Chynn Neuroradiology Research Award, финансируемая за счет пожертвования всемирно известного нейрорадиолога и давнего члена RSNA доктора медицины Куо Йорка Чинна, предоставляет 3000 долларов автору лучшей научной статьи по нейрорадиологии, представленной на ежегодной конференции RSNA.
«Я полон оптимизма», — заключил доктор Ма. «По мере накопления данных — например, в ходе проспективных исследований или клинических испытаний — искусственный интеллект или биомаркеры, полученные с помощью ИИ, могут служить инструментами поддержки принятия решений для помощи в диагностике рассеянного склероза».
Внимание, автоперевод! За ошибки перевода ответственности не несём. Первоисточник по ссылке.