Новые технологии лучевой диагностики

В.В. Чернобривцева, А.С. Мисюрин

Введение

В эпоху персонализированной и точной медицины мы становимся свидетелями стремительно растущей роли информационных технологий, использующих машинное обучение (МО) и количественную визуализацию, в медицине в целом и в онкологии в частности. Задачи таких технологий варьируются от компьютерной диагностики до поддержки принятия решений в лечении. В обозримом будущемэто сможет изменить существующую картину терапии онкологических заболеваний. Современные алгоритмы машинного обучения служат мощными инструментами для улучшения медицинской визуализации за счет глубокого анализа изображений и сопоставления их с возможными вариантами патологии, что приводит к сокращению человеческого труда и уменьшению числа возможных ошибок. Ожидается, что машинное обучение и искусственный интеллект позволят эффективно использовать медицинские ресурсы и сократят время, которое врач затрачивает на пациента, а также повысят качество диагностики [1–4, 23].

Новые технологии лучевой диагностики: машинное обучение

Машинным обучением в широком смысле называют алгоритмы, которые предоставляют компьютерам возможность изучать закономерности из данных или делать прогнозы на основе предыдущих примеров. Этот термин был впервые введен Артуром Сэмюэлем, одним из пионеров зарождающейся науки. А Джон Маккарти, американский специалист по информатике и автор термина «искусственный интеллект», определял машинное обучение как «Внедрение машин, которые могут выполнять задачи, характерные для человека» и рассматривал его как основную ветвь искусственного интеллекта [1, 12]. МО, как правило, предназначено для изучения аналитических закономерностей на основе данных и созданияобобщений, прогнозов, наосновеихпредставленияпредыдущимобразцам. Этаобласть тесносвязана с когнитивной психологией, неврологией, вычислительными и статистическими принципами, которые также нацеленына интеллектуальный анализ данных и прогнозирование производительности [15, 16].

В машинном обучении в основном признаются 3 категории: обучение с учителем, обучение без учителя и обучение с подкреплением. Контролируемое обучение с технической точки зрения направлено на поиск математической функции, которая преобразует пары входных данных в выходные метки. Неконтролируемое же обучение может работать с набором данных и без заданных меток [20, 21]. В этом случае перед компьютерным алгоритмом ставится задача самостоятельно найти внутренние структурыв интересующих данных, где они могут означать запрашиваемые показатели. Контролируемое обучение обычно работает более эффективно при структурировании человеком данных, необходимых для составления базовых алгоритмов. Обучение без учителя, как правило, является более сложным, т. к. как алгоритм сам должен определять и процессировать входные данные. Что касается третьей категории – обучения с подкреплением, – то она предназначена для воплощения программного агента (в нашем случае это может быть врач), или для выполнения действий при взаимодействии с заданной средой – например, подбора оптимальной терапии для пациента. У агента есть определенная цель (допустим, улучшение результатов лечения или диагностики), которую он должен достичь с помощью так называемой функции вознаграждения. Компания «DeepMind» приводит в качестве примера такой ситуации программу «AlphaGo», созданную по мотивам китайской игрыГо, или победу агента в шахматах: это и является целью алгоритма обучения с подкреплением [15]. Стоит отметить, что обучение с подкреплением является современным улучшением классических статистических схем принятия решений, известных как марковские процессы принятия решений. Первоначально они появились в 1950-х годах, а в настоящее время получили широкое распространение благодаря передовым вычислительным технологиям.

Итак, машинное обучение – это междисциплинарная область искусственного интеллекта, опирающаяся на достижения в области компьютерных наук, нейронауки, психологии и статистики для разработки компьютерных алгоритмов, которые могут изучать, анализировать массивы данных и решать поставленные задачи [7, 8]. В настоящее время применение машинного обучения широко распространено в самых разнообразных областях (например, в банковском деле, спорте, политике и рекламе), т.к. оно обеспечивает надежное руководство для принятия решений и сокращает ручной труд. Подобласть машинного обучения, называемая глубоким обучением (deep learning), позволяет абстрактно представлять данные с помощью глубоких нейронных сетей (также известных как многослойные нейронные сети). Оно уверенно продемонстрировало свой потенциал в имитации человеческого познания и бросило вызов интеллектуальным способностям человека – от видео или настольных игр до медицины [9–13].

В области медицины компании, занимающиеся информационными технологиями, активно разрабатывают и ищут приложения для своих инструментов МО. Например, «Google DeepMind» выпустила мобильные приложения для диагностики заболеваний глаз, травм почек и управления электронными картами пациентов для их правильной, своевременной и эффективной маршрутизации. В области онкологии растет интерес к применению машинного обучения для диагностики, прогнозирования и лечения. Так, система «IBM Watson for Oncology» (WFO) продемонстрировала свою эффективность в составлении рекомендаций по лечению конкретных онкологических больных. При раке молочной железы WFO смогла изучить большое количество информации из медицинских журналов, учебников и руководств по лечению в Мемориальном онкологическом центре имени Слоана-Кеттеринга (MSKCC) путем обработки и анализа языка, чтобы определить статьи, которые соответствуют характеристикам конкретных пациентов [5]. WFO может дополнительно усовершенствовать свой аналитический процесс в соответствии с отзывами экспертов. Наконец, система может предоставить рекомендации по планированию лечения (хирургия, химиотерапия, иммунотерапия, лучевая терапия) и альтернативные варианты в рамках каждого плана лечения (например, лекарства или дозы) для конкретного пациента. Система была протестирована в онкологическом центре Манипала, показав высокую степень соответствия (93%) с междисциплинарной комиссией по опухолям.

Алгоритмы, основанные на глубоком обучении, – такие как свёрточная нейронная сеть (convolutional neural network, CNN), – применялись для визуальной диагностики самых различных видов онкологии. Они продемонстрировали высокую точность, сравнимую или превосходящую таковую у специалистов-людей. Например, CNN смогла различить наиболее распространенные и самые опасные типы рака кожи, изучив набор данных, состоящий из 12 940 изображений с подтвержденными клиническими случаями и превзойдя двух дерматологов в их повторной оценке на предмет патологии [6]. В соревновании по разработке автоматизированных решений для обнаружения метастазов в лимфатических узлах при раке молочной железы по изображениям патологии наиболее эффективный алгоритм также был основан на CNN с глубоким обучением. При этом были достигнуты лучшие диагностические результаты, чем у группы из 11 патологоанатомов при симулированном упражнении, предназначенном для имитации рутинного клинического рабочего процесса. Помимо высокой точности прогнозов, предлагаемых алгоритмами МО, они также обладают высокой эффективностью и могут быть экономически выгодными. Например, хорошо обученная на предыдущих клинических примерах CNN может поставить точный диагноз за доли секунды в любое время, предлагая возможность универсального доступа к диагностической помощи в любом месте и в любое время [15, 16].

будущем системы когнитивного обучения (такие как WFO) потенциально могут предложить врачам необходимые инструменты для адаптации своего лечения к конкретному пациенту на основе синтезированных знаний с помощью алгоритмов из существующей литературы и интерактивного обучения от экспертов в области клинической онкологии.

Из-за сложных технических достижений и огромного роста генетических и клинических данных практикующим врачам становится все труднее быть в курсе всех новых научных открытий [12, 13]. Системы на основе машинного обучения могут получать такие знания из большого объема неструктурированных или структурированных наборов данных, объединять и эффективно представлять такие синтезированные знания практикующим врачам в качестве второго мнения, чтобы помочь и поддержать их в принятии решений и улучшить тактику лечения онкологических больных.

Новые технологии лучевой диагностики: глубокое обучение

В последнее время такая интересная и мощная ветвь машинного обучения, как глубокое обучение, демонстрирует огромные успехи в решении задач распознавания образов и компьютерного зрения по сравнению с классическими методами машинного обучения. Эти алгоритмы обучения, как правило, основаны на архитектуре сложных нейросетей. Эмпирически доказано, что глубокое обучение способно эффективно учиться на сложных задачах, что связано с его неотъемлемым свойством, называемым «универсальной аппроксимацией». Некоторые узкоспециализированные глубокие нейросети разрабатываются для выполнения различных задач (как, например, уже упоминавшаяся выше CNN), для распознавания и классификации изображений и рекуррентных нейронных сетей (recurrent neural network, RNN). Эти последние хорошо подходят для последовательного обучения текстовым подписям к изображениям [18–20, 23]. Перечисленные функции нейросетей и программ на их основе делают их естественным образом подходящими для поддержки принятия решений за счет включения объективной информации о пациенте и его обследованиях, для планирования лечения и адаптации терапии. Добиться автоматической поддержки принятия решений в лучевой терапии можно и с помощью обучения с подкреплением, при котором желаемые преимущества достигаются программным агентом. Это тот же принцип, который привел вышеупомянутую программу AlphaGo к победе в китайской игре Го. Таким образом, глубокое обучение может оптимизировать прогнозирование результатов и определять оптимальные стратегии точного лечения в онкологии [13, 15].

Новые технологии лучевой диагностики: обработка изображений в онкологии

Медицинская визуализация широко применяется в клинической практике. В последнее время она продемонстрировала еще больший потенциал и полезность благодаря недавним прорывам в сфере машинного обучения [5–8].

Существует 2 основных типа получения изображений: 1 – анатомические изображения, включающие обычные рентгеновские снимки, ультразвуковые исследования, компьютерную томографию (КТ) и магнитно-резонансную томографию (МРТ) и т.д.; 2 – функциональная (молекулярная) визуализация, включающая позитронно-эмиссионную томографию (ПЭТ), однофотонную эмиссионную компьютерную томографию (ОФЭКТ) и диффузионно-взвешенную МРТ и др. Для того, чтобы объединить преимущества анатомического разрешения и функциональной информации о тканях, были разработаны мультимодальные методы визуализации, такие как ОФЭКТ/КТ, ПЭТ/КТ или ПЭТ/МРТ. Благодаря всем этим методам изображения могут предоставить ценные данные, закодированные с индивидуальной информацией пациента о типе его ЗНО и сопутствующей патологии, которые могут быть извлечены, чтобы помочь в диагностике и прогнозировании возможных исходов лечения [9, 12–14].

В результате развития передовых методов распознавания образовиинструментов статистического обучения цифровые медицинские изображения теперь можно преобразовывать в пригодные для обработки многомерные данные посредством высокопроизводительного извлечения количественных признаков. Это показало большой потенциал прецизионной медицины в онкологии, а именно, в радиомике.

Новые технологии лучевой диагностики: радиомика и радиогеномика

Вновь подчеркнем, что медицинская визуализация играет важную роль в онкологической практике при диагностике, определении стадии опухоли, руководстве лечением, оценке результатов лечения и последующем наблюдении за пациентами. Будучи неинвазивным методом, изображения могут предоставить как пространственную, так и временную информацию об опухоли. Извлечение количественных характеристик из медицинских изображений вместе с последующим связыванием этих характеристик с биологическими конечными точками и клиническими результатами называется радиомикой. Корень «radio-» происходит от радиологии, которая относится к рентгенологическим изображениям (КТ, МРТ и ПЭТ), а «-omics» означает технологии, нацеленные на предоставление коллективных и количественных характеристик всей системыи изучение механизмов, лежащих в их основе. Данные методы исследования широко используются в биологии, например, при изучении генов (геномика), белков (протеомика) и метаболитов (метаболомика). Предназначение радиомики – анализ и понимание медицинских изображений. Непосредственной целью радиомики является использование цифровых данных, хранящихся в этих изображениях, для разработки диагностических, прогностических или радиологических моделей, которые в состоянии определить биологические и клинические процессы, лежащие в основе конкретной патологии, а затем помочь разработать и оптимизировать индивидуальную программу лечения. Ядром радиомики является извлечение количественных признаков, с помощью которых мы можем применять все продвинутые алгоритмы машинного обучения и строить модели для связи между изображениями и биологическими и клиническими конечными точками. Центральная гипотеза анализа методом радиомики заключается в том, что особенности визуализации способны фиксировать четкие фенотипические различия, такие как генетические и протеомные паттерны или другие клинические результаты, чтобы специалисты могли сделать вывод об этих конечных результатах. Исследования последних лет подтвердили потенциал радиометрических признаков для анализа свойств конкретных опухолей. Главным компонентом всех приведенных выше примеров является возможность получения или вывода скрытой информации из пикселей или вокселей цифровых изображений. Имеются два основных процесса, которые помогают связать необработанные изображения с конечными точками: 1 – извлечение признаков; 2 – классификация или регрессия с использованием извлеченных признаков.

Существует два основных способа извлечения полезных признаков: 1 – методы ручной работы или прямое использование существующих радиомикроскопических сигнатур; 2 – автоматическое обучение представлениюизображений глубокими нейронными сетями (например, CNN) [5, 6, 14]. Многомерные характеристики, получаемые в результате обработки изображений высокого разрешения, также подразделяются на два типа: семантические и агностические. Семантические характеристики представляют собой главным образом морфологические особенности, описывающие размеры, форму, локализацию, кровоснабжение, структуру, некротические изменения очага. Агностические характеристики содержат математически-вычисленные количественные особенности, которые в свою очередь могут быть в дальнейшем разделены на три группы: 1 – статистические результаты первого порядка, описывающие значения внутри одного вокселя, 2 – второго порядка, описывающие соотношения между вокселями, и 3 – более высоких порядков – дополнительные параметры изображения с применением различных фильтров. Технологии глубокого обучения также могут быть использованы для автоматизированного экстрагирования описательных характеристик высокого порядка очагов опухоли. Добытые такимобразом радиомные сигнатурымогут затем использоваться для множества целей, таких как классификация опухоли, прогнозирование выживаемости и ответа на лечение [14]. Исследования, обнаружившие взаимосвязь между радиомикой и м...олекулярно-генетическими параметрами, как раз и попадают под определение радиогеномики. Они ставят целью обнаружить суррогатные паттерны для геномных сигнатур, а также для разработки биомаркеров, эффективно использующих различные типы данных для характеристики заболевания. Эти многомерные биомаркеры могут быть использованы впоследствии для предсказания выживаемости и ответа на лечение, играя важнейшую роль в персонализации терапевтических алгоритмов.

Новые технологии лучевой диагностики: выбор функций, построение моделей и проверка

и далее в источнике.

Источник: Журнал "Практическая онкология" Т. 23, №4 – 2022

Ссылка на оригинал: https://practical-oncology.ru/journal/novye-tehnologii-luchevoy-diagnostiki

Источник: practical-oncology.ru

Комментарии: