Христос  Эвангелу , магистр наук, доктор философии – медицинский писатель и редактор. 

В недавней публикации исследователи из Шанхайского университета науки и технологий и Военно-морского медицинского университета в Шанхае (Китай) представили новую модель искусственного интеллекта (ИИ), демонстрирующую высокую точность в выявлении различных аномалий поджелудочной железы по данным компьютерной томографии (КТ) . 

Несмотря на необходимость внешней проверки, эта новая облегченная, сквозная мультимодальная сеть может значительно улучшить раннюю диагностику и лечение заболеваний поджелудочной железы, включая рак поджелудочной железы, за счет сочетания быстрой обработки данных с высокой точностью. 

Отчет  был опубликован в  журнале Clinical Radiology .  

Обоснование исследования: улучшение выявления заболеваний поджелудочной железы. 

Заболевания поджелудочной железы, от воспалительных состояний до злокачественных опухолей, представляют собой серьезные проблемы в диагностике и лечении. Рак поджелудочной железы, в частности, имеет очень плохой прогноз: пятилетняя выживаемость составляет от 7,9% до 33,9%.² Прогнозируется , что к 2030 году он станет второй по значимости причиной смертности от рака в Соединенных Штатах. Хотя компьютерная томография (КТ) играет решающую роль в диагностике заболеваний поджелудочной железы  , растущее использование КТ высокого разрешения привело к увеличению числа изображений, которые должны анализировать радиологи, что повышает риск пропущенных диагнозов.¹ 

Внедрение глубокого обучения в медицинскую визуализацию показало многообещающие результаты в решении этих проблем. Однако предыдущие исследования часто фокусировались исключительно на раке поджелудочной железы, игнорируя другие заболевания поджелудочной железы. Кроме того, многие существующие модели требуют ручного выделения области поджелудочной железы, что ограничивает их практическое применение в клинической практике. 1 

Методология: Новый подход к выявлению заболеваний поджелудочной железы 

Для решения этих проблем исследователи разработали eeMulNet — легковесную сквозную мультимодальную сеть, предназначенную для быстрой и точной диагностики патологий поджелудочной железы. Архитектура eeMulNet состоит из двух основных компонентов: один для локализации области поджелудочной железы, а другой для мультимодальной КТ-диагностики. 1  

Модель использует трехмерную нейронную сеть nnUnet для автоматической сегментации поджелудочной железы на КТ-снимках, что исключает необходимость ручного выделения областей интереса. Более того, модель интегрирует как данные визуализации, так и информацию о пациенте (возраст и пол), позволяя врачам ставить диагноз, используя мультимодальные клинические данные.  

Обработка изображений осуществляется с использованием трехмерной адаптации сети MobileNetV2, которая, как было показано, обладает высокой эффективностью и малым размером параметров. Информация о пациенте обрабатывается с помощью предварительно обученной модели Берта-Чайнезе. Извлеченные признаки и информация о пациенте затем объединяются с помощью вентильного рекуррентного блока (GRU) перед окончательной классификацией. 1 

Исследователи использовали набор данных из 943 КТ-снимков, включая 715 снимков пациентов с различными заболеваниями поджелудочной железы и 228 снимков здоровых людей (контрольная группа ). Набор данных был разделен на обучающую (755 снимков) и независимую тестовую (188 снимков) выборки. Модель обучалась с использованием пятикратной перекрестной проверки для повышения обобщающей способности. 

Производительность модели 

На независимом тестовом наборе данных, включающем 188 КТ-снимков (143 с патологиями, 45 с нормой), модель eeMulNet продемонстрировала высокую эффективность в дифференциации патологий поджелудочной железы от нормальной поджелудочной железы, обеспечив площадь под кривой (AUC) 1,0, точность 100%, специфичность 100% и чувствительность 100%.¹ Эти результаты показывают, что модель правильно идентифицировала все случаи патологий поджелудочной железы без ложноположительных или ложноотрицательных результатов. Более того, eeMulNet в среднем затрачивала 41,04 секунды на обработку КТ-изображений на одного пациента, при этом для классификации требовалось в среднем  0,04 секунды.¹ 

Важно отметить, что модель eeMulNet превзошла по производительности несколько широко используемых 3D-сверточных сетей, включая различные архитектуры ResNet.¹  Благодаря своей облегченной конструкции размер параметров составил всего 3,8 мегабайта по сравнению с 33–63 мегабайтами у моделей ResNet, что делает ее более подходящей для реального применения. 

Возможные последствия  

По мнению авторов, высокая эффективность модели eeMulNet в дифференциации патологий поджелудочной железы от нормальной поджелудочной железы демонстрирует ее потенциал в снижении числа пропущенных диагнозов и повышении общей точности диагностики. Более того, быстрое время обработки и автоматическое обнаружение областей интереса могут существенно оптимизировать рабочий процесс рентгенологов, позволяя им сосредоточиться на более сложных случаях. 

В отличие от предыдущих моделей, которые были ориентированы в основном на рак поджелудочной железы, eeMulNet обучалась на КТ-снимках пациентов с различными заболеваниями поджелудочной железы. Обучение с использованием этого всеобъемлющего набора данных делает модель более универсальным инструментом для клинической практики. Кроме того, облегченная конструкция модели делает eeMulNet подходящей для использования в различных медицинских учреждениях, в том числе и в тех, где ограничены вычислительные ресурсы. 

Ограничения и дальнейшая работа 

Несмотря на многообещающую точность eeMulNet, производительность модели оценивалась на наборе данных, полученном в одном учреждении. Для подтверждения обобщаемости модели необходима внешняя валидация в нескольких учреждениях. Кроме того, исследователи использовали КТ-сканирование с высоким разрешением 1 мм в портальной фазе, которое может быть не повсеместно доступно. В будущих исследованиях следует оценить производительность модели на различных протоколах КТ и разрешениях. 

Авторы также признают, что в своем нынешнем виде модель различает только нормальные и патологические случаи заболеваний поджелудочной железы. В будущих версиях можно было бы стремиться к более детальной классификации конкретных заболеваний поджелудочной железы. Кроме того, в настоящее время модель учитывает только возраст и пол. Включение дополнительных клинических данных могло бы еще больше расширить ее диагностические возможности. 

Помимо проведения внешних валидационных исследований в различных медицинских учреждениях и расширения возможностей модели для различения различных типов заболеваний поджелудочной железы, необходимы дальнейшие исследования для оценки эффективности модели в реальных клинических условиях. Кроме того, необходимы дальнейшие исследования в реальных условиях для оценки влияния внедрения eeMulNet на точность диагностики, эффективность рабочих процессов и результаты лечения пациентов.  

Исследование  получило финансовую  поддержку от Национального фонда естественных наук Китая , проекта Фонда консолидации дисциплин в рамках платформы 234  больницы   Чанхай и проекта научно-исследовательских инноваций в области медицины в рамках Шанхайской  программы научно-технических инноваций.     

Внимание, автоперевод! За ошибки перевода ответственности не несём. Первоисточник по ссылке.