Изображения 64-летнего мужчины, которому была сделана МРТ в связи с клиническим подозрением на рак простаты (внешний набор тестов). Впоследствии у пациента был диагностирован клинически значимый рак простаты в левой передней переходной зоне у основания предстательной железы. Выходные данные модели (вероятность на уровне пациента) составили 0,97. Рентгенолог оценил это обследование как Prostate Imaging Reporting and Data System 3 для поражения левой доли. (A) T2-взвешенное изображение (репрезентативный участок). (B) Карта видимого коэффициента диффузии (репрезентативный участок слева) и высокое b-значение диффузионно-взвешенного изображения (репрезентативный разрез, справа). (C) Динамические контрастно-усиленные изображения T1 (репрезентативные разрезы). (D) Объемный композит изображений T2 (строки 1 и 2), диффузионно-взвешенных изображений (строки 3 и 5) и карт видимых коэффициентов диффузии (строка 4) с наложенными градиентно-взвешенными картами активации классов (строки 2 и 5). Все изображения находятся в поперечной плоскости. Кредит: Радиологическое общество Северной Америки
Согласно исследованию, опубликованному сегодня в Radiology, модель глубокого обучения работает на уровне абдоминального радиолога при обнаружении клинически значимого рака простаты на МРТ. Исследователи надеются, что модель может быть использована в качестве дополнения к рентгенологам для улучшения обнаружения рака простаты.
Рак простаты является вторым по распространенности видом рака у мужчин во всем мире. Радиологи обычно используют метод, который объединяет различные последовательности МРТ (называется многопараметрической МРТ) для диагностики клинически значимого рака простаты. Результаты выражаются с помощью Prostate Imaging-Reporting and Data System версии 2.1 (PI-RADS), стандартизированного подхода к интерпретации и отчетности. Однако классификация поражений с использованием PI-RADS имеет ограничения.
«Интерпретация МРТ простаты сложна», — сказал старший автор исследования Наоки Такахаши, доктор медицины из отделения радиологии клиники Майо в Рочестере, штат Миннесота. «Более опытные рентгенологи, как правило, имеют более высокую диагностическую эффективность».
Применение алгоритмов искусственного интеллекта (ИИ) к МРТ простаты показало перспективность для улучшения обнаружения рака и снижения вариабельности наблюдателя, которая заключается в непоследовательности в том, как люди измеряют или интерпретируют вещи, что может привести к ошибкам. Однако основным недостатком существующих подходов ИИ является то, что поражение должно быть аннотировано (дано примечание или объяснение) рентгенологом или патологом во время первоначальной разработки модели и снова во время повторной оценки и повторного обучения модели после клинического внедрения.
«Радиологи аннотируют подозрительные поражения во время интерпретации, но эти аннотации обычно не доступны, поэтому, когда исследователи разрабатывают модель глубокого обучения, им приходится перерисовывать контуры», — сказал доктор Такахаши. «Кроме того, исследователи должны сопоставлять результаты визуализации с отчетом о патологии при подготовке набора данных. Если присутствуют множественные поражения, не всегда может быть возможным сопоставить поражения на МРТ с соответствующими им результатами патологии. Кроме того, это трудоемкий процесс».
Доктор Такахаши и его коллеги разработали новый тип модели глубокого обучения для прогнозирования наличия клинически значимого рака простаты без необходимости информации о местоположении поражения. Они сравнили ее эффективность с эффективностью абдоминальных рентгенологов в большой группе пациентов без известного клинически значимого рака простаты, которые прошли МРТ в нескольких местах одного академического учреждения. Исследователи обучили сверточную нейронную сеть (CNN) — сложный тип ИИ, способный различать тонкие закономерности на изображениях за пределами возможностей человеческого глаза — для прогнозирования клинически значимого рака простаты с помощью многопараметрической МРТ.
Из 5735 обследований у 5215 пациентов 1514 обследований показали клинически значимый рак простаты. Как при внутреннем тестовом наборе из 400 обследований, так и при внешнем тестовом наборе из 204 обследований эффективность модели глубокого обучения в выявлении клинически значимого рака простаты не отличалась от эффективности опытных абдоминальных рентгенологов. Сочетание модели глубокого обучения и результатов рентгенолога показало лучшие результаты, чем рентгенологи по отдельности как при внутреннем, так и при внешнем наборах испытаний.
Поскольку выходные данные модели глубокого обучения не включают местоположение опухоли, исследователи использовали так называемую карту активации класса с градиентным весом (Grad-CAM) для локализации опухолей. Исследование показало, что для истинно положительных обследований Grad-CAM последовательно выделял клинически значимые очаги рака простаты.
Доктор Такахаши видит в модели потенциального помощника рентгенолога, который может помочь улучшить диагностическую эффективность МРТ за счет повышения показателей обнаружения рака с меньшим количеством ложноположительных результатов.
«Я не думаю, что мы можем использовать эту модель как самостоятельный диагностический инструмент», — сказал доктор Такахаши. «Вместо этого прогноз модели может использоваться в качестве дополнения в нашем процессе принятия решений».
Исследователи продолжили расширять набор данных, который теперь вдвое превышает количество случаев, использованных в первоначальном исследовании. Следующий шаг — перспективное исследование, в котором изучается, как рентгенологи взаимодействуют с прогнозом модели.
«Мы хотели бы представить рентгенологам выходные данные модели и оценить, как они используют их для интерпретации, а также сравнить совокупную эффективность рентгенолога и модели с эффективностью рентгенолога в одиночку в прогнозировании клинически значимого рака простаты», — сказал доктор Такахаши.
Дополнительная информация: Полностью автоматизированная модель глубокого обучения для обнаружения клинически значимого рака простаты при МРТ, Радиология (2024).
Информация о журнале: Радиология Предоставлено Радиологическим обществом Северной Америки
