Согласно исследованию, опубликованному 18 августа в журнале Radiology ,  двухэтапная система искусственного интеллекта может помочь в контроле качества выявления рака предстательной железы при МРТ.

Разработанная система, использующая модель глубокого обучения (DL), обученную как на низкокачественных, так и на высококачественных МР-изображениях, помогла повысить точность работы радиологов в этой области, написала группа исследователей во главе с Тьяго Коэльо из Медицинского центра Университета Радбоуд в Неймегене, Нидерланды. 

«Применение этой методики к МРТ предстательной железы позволило стандартизировать методы преобразования пороговых значений качества изображения в практически линейное повышение как диагностической эффективности моделей ИИ, так и точности работы радиологов, что привело к созданию практичного, ориентированного на производительность инструмента для контроля качества», — написала команда Коэльо. 

Современные метрики качества изображений не основаны на результатах диагностики, а скорее на субъективных оценках экспертов. Это может повлиять на эффективность диагностики. 

Коэльо и соавторы разработали и оценили диагностически откалиброванную систему искусственного интеллекта для оценки качества изображений. Эта система связывает оценки качества МРТ предстательной железы с диагностической эффективностью. 

Низкокачественные аксиальные Т2-взвешенные МРТ-снимки с картированием активации классов, взвешенным по градиенту. Низкокачественные МРТ-снимки (верхний ряд) показывают размытые структуры и артефакты, из-за которых границы зон и капсулы неразличимы. На тех же снимках с наложением карт активации классов, взвешенных по градиенту (нижний ряд), красным цветом обозначены области, которые были наиболее сильно смещены моделью глубокого обучения в сторону низкокачественного прогноза.РСНА

Для разработки системы команда обучила модель глубокого обучения на «наиболее надежных» низко- и высококачественных аксиальных Т2-взвешенных изображениях. В результате была получена непрерывная оценка качества изображения. Исследователи применили эту оценку к независимому внутреннему тестовому набору и откалибровали ее с учетом диагностической эффективности. Они сосредоточились на площади под кривой рабочей характеристики приемника (AUC) для обнаружения клинически значимого рака предстательной железы (csPCa) моделью ИИ, а также на точности обнаружения csPCa радиологами в рутинной клинической практике.  

В рамках одноцентрового ретроспективного исследования были проанализированы почти 12 500 последовательных мультипараметрических МРТ-исследований предстательной железы, выполненных в период с 2014 по 2023 год в Медицинском центре Университета Радбоуд. Исследователи использовали 1229 серий Т2-взвешенных изображений для обучения и 568 мультипараметрических МРТ-исследований для диагностического тестирования. 

Они сообщили о следующих результатах: 

• Модель глубокого обучения смогла различать изображения низкого и высокого качества в обучающем наборе данных при пятикратной перекрестной проверке (AUC, 0,99). 

• При обнаружении клинически значимого рака предстательной железы (csPCa) в тестовом наборе данных показатель AUC модели ИИ улучшился с 0,92 до 0,99 (p = 0,005) при различных пороговых значениях оценки качества изображения, полученной с помощью модели глубокого обучения. 

• Точность работы рентгенологов повысилась с 77% до 85% (p = 0,01). 

Авторы подчеркнули, что способность модели ИИ к обобщению на весь спектр качества изображений «может быть обусловлена ​​ее способностью обнаруживать распространенные артефакты, такие как размытие при движении, шум и затенение». 

Авторы призвали к включению в будущие исследования диффузионно-взвешенной и динамической контрастной томографии. Они также предположили, что предложенная методика может быть использована для обучения моделей качества изображений в различных центрах, с использованием сканеров разных производителей, методов визуализации и в разных анатомических областях. 

Согласно сопроводительной редакционной статье Тристана Барретта, доктора медицины, из Кембриджского университета в Великобритании,  данная методика представляет собой объективное количественное дополнение к экспертной оценке.

«Если эта методика будет подтверждена в разных центрах, калибровка качества на основе показателей эффективности может изменить подход радиологии к измерению, мониторингу и поддержанию качества изображений в эпоху искусственного интеллекта», — написал Барретт. 

Ознакомиться с полным текстом исследования можно здесь .

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