02.09.2024
Оценка качества работы искусственного интеллекта в выявлении дегенеративных заболеваний пояснично-крестцового отдела позвоночника
Собрано более 12 тыс. анонимизированных архивов для формирования обучающего и тестового наборов данных нейросети среди пациентов старше 18 лет
Введение
В связи с нарастанием популярности среди населения и повышением доступности МРТ- исследований в последние годы ежедневная нагрузка на врача-рентгенолога сильно возросла, что негативно сказывается на текущем качестве работы и дальнейшей работоспособности специалиста. Также продолжается тренд по развитию алгоритмов нейронных сетей и увеличению доступных вычислительных мощностей, что позволяет реализовывать более сложные модели искусственного интеллекта (ИИ) и обрабатывать большие объемы обучающих данных. Из текущих тенденций возникают благоприятные условия для разработки и внедрения в практическую медицину сервисов на базе ИИ, помогающих врачам в приоритетных направлениях радиологии. В качестве таких систем в настоящее время применяются модели глубокого обучения нейронных сетей, которые представляют собой математическое воплощение системы взаимодействия нейронов человека. Входные данные проходят через слои нейронной сети, где значимость каждого элемента из совокупности данных меняется в зависимости от распределения весов между слоями, а затем в соответствии со степенью расхождения выходных и эталонных значений меняется распределение весов для получения более релевантных результатов в новой эпохе обучения.
Как и множество других специальностей, лучевая диагностика находится на пути к более плотному взаимодействию с системами ИИ для повышения качества и скорости выполняемой работы. Особенностью использования систем нейросетей для диагностики заболеваний позвоночника является возможность упростить оценку МРТ-снимков, что будет способствовать повышению согласованности, точности и объективности оценки исследований, а в более дальней перспективе может полностью освободить врачей-рентгенологов от интерпретации наиболее часто встречающихся патологических изменений в многократно повторяющихся однотипных исследованиях.
При помощи метода МРТ врачи-рентгенологи с достаточно высокой точностью определяют производные дегенеративных изменений позвоночника. В то же время задача осложняется существованием нескольких подходов в дифференцировании как отдельных патологических состояний, так и степени их проявлений. Например, определение стеноза позвоночного канала на уровне поясничного отдела позвоночника отличается в зависимости от выбираемой системы оценки, критерии которой могут быть как количественными в виде размера позвоночного канала по срединной линии на уровне диска, так и качественными в виде степени деформации дурального мешка и эпидурального жира (С. Shizas). Также примером могут служить отличающиеся степени фораминальных стенозов в зависимости от выбранной специалистом классификации изменений (наиболее часто используются классификации по Lee и по Wildermuth) и измерения пролабирования межпозвонковых дисков в просвет позвоночного канала с учетом толщины задней продольной связки или без него.
Цель - проведение сравнительной оценки выходных данных комплекса обученных моделей сверточных нейронных сетей (convolutional neural network, CNN) и интерпретации патологических изменений поясничного отдела позвоночника врачами-рентгенологами при проведении МРТ.
Материал и методы
Исследования состояли из набора программ в двух плоскостях, содержащих последовательности Т2^Е, Л-TSE, Т2 с программой жироподавления (STIR) в сагиттальной плоскости и Т2^Е в аксиальной плоскости. На этапе поиска исключались исследования с выраженными артефактами от металлоконструкции и наличием изображений низкого качества, не позволяющего достаточно точно интерпретировать снимки и постконтрастные
серии.
Для дополнительного подтверждения целевых патологических изменений сбор анонимизированных архивов МРТ-исследований проводился врачами-рентгенологами. Для исключения повторной выгрузки архивов при параллельном сборе разными специалистами фиксировались временные периоды и сервер, с которого скачивалась медицинская информация. Для сохранения отобранных архивов применялось облачное хранилище АНО ДПО «Институт повышения квалификации медицинских кадров» с ограниченным доступом. Возможность использовать облачное хранилище предоставлялась врачам-рентгено- логам по VPN-доступу после индивидуальной настройки на компьютерах медицинских учреждений, где работали специалисты. Архивы были отсортированы в хранилище данных по целевым патологическим изменениям.
Процесс разметки анонимизированных изображений для формирования обучающего набора данных проводился в два этапа. На первом этапе разметка выполнялась сотрудниками ООО «Системы поддержки принятий решений», использующими разработанный алгоритм разметки изображений (согласованный с врачами-рентгенологами, имеющими не менее чем 5-летний опыт подготовки описаний исследований, выполненных на магнитно-резонансном томографе) методом выделения границ с применением цветовой схемы, привязанной к списку нормальных анатомических структур и рассматриваемых в работе патологических изменений. Проведена ручная разметка всех анатомических структур и патологических изменений, касающихся поясничного отдела позвоночника на аксиальных срезах, также выполнена разметка на сагиттальных срезах (в отличие от схожисти работ, использующих автоматическую разметку для обучения алгоритмов CNN) [1].
На втором этапе врачами-рентгенологами проводилась проверка разметки для исключения несовпадений между работой специалистов на первом этапе и профессиональной оценкой МРТ-изображений. При отсутствии ошибок, выявленных на втором этапе, и дополнительных комментариев по качеству выделения контуров работа с кейсом в рамках процесса разметки считалась завершенной.
В дальнейшем, после обучения нейронной сети на размеченных вручную датасетах, разметка выполнялась в автоматизированном режиме для каждого исследования с отражением нумерации позвонков(рис.1)[2, 3].
Определение размера и структуры обучающей, валидационной и тестовой выборок, а также процесс обучения CNN для анализа нормы и патологических изменений осуществлялись сотрудниками компании Remedy Logic. Анализ отдельных патологических изменений проводился с автоматизированным выбором релевантных сагиттальных или аксиальных срезов [4, 5].
После процесса обучения нейронных сетей была организована проверка точности их работы, которая выполнялась при содействии пяти вра- чей-рентгенологов с опытом работы по специальности от 5 до 10 лет. Проверка осуществлялась путем анализа МРТ-изображений с последующим сравнением профессиональных выводов специалистов и результатов работы ИИ. Архивы, использованные в процессе данной проверки, ранее не применялись для формирования обучающей, валидационной и тестовой выборок, участвовавших в процессе обучения нейронных сетей.
На данном этапе точность количественного определения протрузий и экструзий оказалась низкой, расхождение между результатами врачей и алгоритма в большинстве случаев составило около 3 мм. В основном это связано с преимущественным определением экструзий и протрузий дисков только на уровне срединного сагиттального среза, что соответствует медианному сектору на аксиальных срезах. Данная ошибка будет скорректирована в последующих апдейтах ИИ.
На итоговом этапе был реализован автоматизированный обмен анонимизированной информацией между сервером, на котором хранятся исследования, сервером, где происходит работа ИИ, и серверами, на которых осуществляется работа радиологической информационной системы. Реализован способ презентации результатов работы ИИ в виде интерактивного значка в интерфейсе радиологической информационной системы, содержащего PDF-файл. В PDF-файле отображаются автоматизированно размеченные изображения в сагиттальной и аксиальной плоскостях, а также текстовая информация о патологических изменениях на каждом уровне.
В рамках итогового отчета зафиксированы хорошие результаты в определении большинства распространенных дегенеративных изменений пояснично-крестцового отдела позвоночника. Также наблюдается воспроизведение высоких значений чувствительности и специфичности для патологий, демонстрировавших аналогичные высокие показатели в промежуточном отчете. Высокое качество диагностики патологических изменений позвоночника при помощи современных алгоритмов нейронных сетей было подтверждено и в других работах [12, 13]. В то же время процесс определения количественных показателей нуждается в доработке в виде оценки на каждом сагиттальном срезе для выявления наибольшего размера пролаби- рования диска в просвет позвоночного канала.
Сокращение временных затрат на интерпретацию и написание протокола врачами-рент- генологами составляет от 2 до 10 мин на каждое исследование в зависимости от опыта работы специалиста и выраженности дегенеративных изменений пояснично-крестцового отдела позвоночника.
Дальнейшее развитие алгоритмов нейронных сетей приведет к расширению функционала сервисов, основанных на ИИ, вплоть до полной автоматизации решения диагностических задач среди наиболее часто выявляемых патологических изменений методами лучевой диагностики. Совокупность возрастающего числа специалистов в сфере компьютерного зрения и увеличения доступных вычислительных мощностей создают условия для реализации на практике более сложных и точных моделей ИИ, способных в короткие сроки справиться с большим объемом и большей сложностью диагностических задач.
Заключение
Значительный объем работы при анализе пояснично-крестцового отдела позвоночника в большинстве случаев складывается из повторяющегося процесса нахождения и измерения типичных проявлений дегенеративных изменений в каждом анатомическом сегменте. Как и множество других специальностей, лучевая диагностика находится на пути к более плотному взаимодействию с системами ИИ для повышения качества и скорости выполняемой работы. С помощью современной генерации CNN возможно автоматизированное выявление целого ряда патологий на МРТ-изображениях пояснично-крестцового отдела позвоночника, что способствует снижению нагрузки на опытных врачей-рентге- нологов и вероятности ошибки специалистов с малым опытом работы.
В дальнейшем вследствие повышения доступности высокоэффективных сервисов ИИ будет происходить все более плотное внедрение их в медицинскую практику, что повысит скорость и качество оказания медицинских услуг
Литература
Li H, Luo H, Huan W, et al. Automatic lumbar spinal MRI image segmentation with a multi-scale attention network. Neural Comput Appl. 2021; 33(18): 11589-602.
Forsberg D, Sjoblom E, Sunshine JL. Detection and labeling of vertebrae in mr images using deep learning with clinical annotations as training data. J Digit Imaging. 2017; 30(4): 406-12.
Zhou Y, Liu Y, Chen Q, et al. Automatic lumbar MRI detection and identification based on deep learning. J Digit Imaging. 2019; 32(3): 513-20.
Natalia F, Young JC, Afriliana N, et al. Automated selection of mid-height intervertebral disc slice in traverse lumbar spine MRI using a combination of deep learning feature and machine learning classifier. PLoS One. 2022;
17(1): e0261659.
Wang X, Zhai S, Niu Y. Automatic vertebrae localization and identification by combining deep SSAE contextual features and structured regression forest. J Digit Imaging. 2019; 32(2): 336-48.
Hallinan JTPD, Zhu L, Yang K, et al. Deep learning model for automated detection and classification of central canal,
lateral recess, and neural foraminal stenosis at lumbar spine MRI. Radiology. 2021; 300(1): 130-8.
Jamaludin A, Lootus M, Kadir T, et al. ISSLS Prize in Bioengineering Science 2017: Automation of reading of radiological features from magnetic resonance images (MRIs) of the lumbar spine without human intervention is comparable with an expert radiologist. Eur Spine J. 2017; 26(5): 1374-83.
Lehnen NC, Haase R, Faber J, et al. Detection of degenerative changes on mr images of the lumbar spine with a convolutional neural network: a feasibility study. Diagnostics. 2021; 11(5): 902.
Tsai JY, Hung IYJ, Guo YL, et al. Lumbar disc herniation automatic detection in magnetic resonance imaging based on deep learning. Front Bioeng Biotechnol. 2021; 9: 708137.
Han Z, Wei B, Leung S, et al. Automated pathogenesis-based diagnosis of lumbar neural foraminal stenosis via deep multiscale multitask learning. Neuroinformatics. 2018; 16(3-4): 325-37
Azimi P, Yazdanian T, Benzel EC, et al. A review on the use of artificial intelligence in spinal diseases. Asian Spine J. 2020; 14(4): 543-71.
Теги: искусственный интеллект
234567 Начало активности (дата): 02.09.2024 23:42:00
234567 Кем создан (ID): 989
234567 Ключевые слова: магнитно-резонансная томография, искусственный интеллект, нейронная сеть, сверточная нейронная сеть, глубокое обучение, программное обеспечение в медицине
12354567899
Похожие статьи
В Саратове искусственный интеллект читает рентген-снимки ставит диагнозыРентген на дому 8 495 22 555 6 8
Японские ученые научили ИИ анализировать рентген-снимки грудной клетки
Искусственный интеллект обработал девять миллионов лучевых исследований в Москве
Вынос мозга 16 Савельев С.В. Искусственный интеллект
