Мы неоднократно наблюдали всплески «трендовых» технологий, реакция общества на которые варьировалась от фанатичного желания получить эту технологию до радикального ее отрицания. Дополненная реальность, 3D-печать, голограммы, ИИ — все эти технологии очень громко обсуждались, но не все их них распространились и стали частью нашего быта. ИИ во всех его проявлениях (языковые модели, машинное обучение и т. д.) кажется проник везде, от браузеров и ОС смартфонов, до телевизоров и пылесосов. К ИИ вопросов много, от их этичности до воздействия на экологию. Однако стоит отметить, что не все ИИ одинаково плохи. Многие из них помогают в исследованиях и становятся инструментами улучшения уже имеющихся технологий. Ученые из Северо-Западного университета (Эванстон, штат Иллинойс, США) разработали систему, которая объединяет МРТ и ИИ, что позволяет трехмерно визуализировать контуры опухолей легких, которые меняются при дыхании пациента. Как именно работает данная система, что она позволяет увидеть в легких, и насколько она лучше экспертов-радиологов? Ответы на эти вопросы мы найдем в докладе ученых.
Основа исследования
Интерпретация медицинских изображений лежит в основе точной диагностики и эффективного планирования лечения в нескольких областях медицины. В настоящее время она основана на человеческих знаниях и опыте, при этом врачи описывают и утверждают практически все результаты. Хотя некоторые осознанные клинические вариации могут способствовать новым идеям в новых ситуациях, индивидуальное принятие решений обычно связано с неоправданными вариациями, которые могут привести к медицинским ошибкам. Более того, потребность в эффективной и точной интерпретации растущего объема данных изображений только усугубляет эти ограничения. Эти коллективные проблемы требуют машинных методов извлечения информации и оптимизации знаний, которые могут помочь врачу точно и воспроизводимо выполнять эти критически важные задачи.
Исследования обнаружения заметных объектов указывают на значительную вариацию субъекта, особенно в сложных задачах обнаружения. Новаторские работы еще в 1960-х годах продемонстрировали значительную межсубъектную вариацию в интерпретациях одного и того же визуального ввода (т. е. паттерны движений глаз для задач, зависящих от визуального ввода, имели значительную межнаблюдательную вариацию). В дополнение к значительной вариации в обнаружении заметных объектов существуют также физические ограничения в человеческом визуальном обнаружении, включая иллюзорные восприятия (например, иллюзии сетки, включая мерцания и эффект сетки Германа) и ограниченные пределы обнаружения контраста серой шкалы. Учитывая эти ограничения, обучение репрезентации медицинских изображений на основе компьютерного зрения, если оно достаточно обучено и оптимизировано, имеет потенциал для значительного изменения существующей парадигмы интерпретации.
Перед онкологом-радиологом стоит задача не только обнаружить объекты (например, опухоли) в данных медицинских изображений, но и полностью (высокая чувствительность) и экономно (высокая специфичность) очертить их для целей конформного облучения. Неточности в первом случае могут привести к недолечению опухоли, в то время как чрезмерное контурирование может привести к ненужному облучению нормальной ткани, что потенциально увеличивает токсичность. Хотя более либеральные границы и неглубокие градиенты дозы могут уменьшить влияние неточностей очертания при традиционной фракционированной радиотерапии, ставки выше, и ошибки очертания цели могут иметь серьезные последствия при доставке ультраконформного, высокофракционного облучения с точной пространственной локализацией (например, стереотаксическая радиотерапия тела [SBRT от stereotactic body radiotherapy]). Несколько клинических исследований отметили значительную вариацию контуров опухоли между наблюдателями, в том числе способом, аналогичным различным траекториям движения глаз. Эта вариация привела к неоптимальной дозиметрии и результатам для пациентов, особенно при проведении SBRT. Более того, нарушения протокола в контурах опухоли были связаны с худшей выживаемостью в клинических испытаниях рака. Что особенно важно, ключевыми детерминантами этой вариации являются отсутствие опыта, обучения и профессионального образования.
В рассматриваемом нами сегодня труде ученые разработали систему глубокой нейросетевой сегментации изображений и оценили ее производительность при SBRT-терапии легких.
Результаты исследования
Изображение №1
Нейронная сеть iSeg была разработана и протестирована для автоматизированной сегментации GTV (от gross tumor volume, т. е. общий объем опухоли) с использованием набора данных, включающего 1002 изображения КТ легких. Была использована архитектура A3D U-Net. Обучение проводилось с использованием пятикратной перекрестной проверки в пределах внутренней когорты, а выходные данные включали окончательные наложения сегментации, карты значимости и сшивание прогнозов для реконструированных регионов GTV. Постобработка дополнительно уточнила прогнозы модели путем применения морфологических операций, включая открытие/закрытие в изоцентре и удаление выбросов сегментации, чтобы повысить точность и клиническую значимость сгенерированных контуров. Предсказанные iSeg GTV сравнивались с истинными GTV, назначенными врачом, с использованием стандартных метрик сегментации, включая DSC и HD-95. Iseg обеспечил клинически значимую и надежную производительность сегментации в наборах данных проверки (слева на 2a). Внутренняя перекрестная проверка с пятью фолдами выявила стабильную производительность сегментации, достигая согласованных метрик DSC и HD95 по всем фолдам (2b, 2c). Эти результаты подчеркивают надежность и воспроизводимость модели iSeg по различным разделениям данных.
Изображение №2
Были использованы интегрированные градиенты (IG от integrated gradient) для наложения атрибутивных признаков, которые количественно определяют вклад отдельных вокселей в прогнозы модели. Карты атрибутивных признаков выявили значимые области, способствующие сегментации, выделяя ключевые области машинного распознавания, которые направляли сегментацию. Они, по-видимому, были как вокселями включения (в пределах GTV), так и исключения (например, грудная стенка, средостение и т. д.) (справа на 2a).
Медиана DSC для внутренней когорты составила 0.73, что свидетельствует о высокой производительности (2b). Сравнимая производительность наблюдалась во внешних когортах из двух различных больничных систем со значениями DSC 0.70 и 0.71 соответственно, что подтверждает обобщаемость модели. Постобработка значительно улучшила метрики сегментации, улучшив как значения DSC (0.71 против 0.66), так и HD95 (0.65 против 1.81) по сравнению с необработанными прогнозами. Периферические опухоли показали незначительное улучшение производительности сегментации и точности границ по сравнению с центральными опухолями, с более высоким медианным значением DSC (0.72 против 0.67) и более низкими значениями HD95 (0.56 против 0.96). Это указывало на то, что расположение опухоли влияет на производительность сегментации, при этом периферические опухоли выигрывали от лучшего разграничения. Критически важно, что производительность сегментации iSeg была надежной в широком диапазоне качества изображения. Диаграммы рассеяния отношения контрастности к шуму (CNR от contrast-to-noise ratio) продемонстрировали слабую положительную корреляцию с DSC (P = 0.01), но не показали значительной связи с HD95 (P = 0.45). Эти результаты показали постоянную производительность сегментации даже при более низком разрешении изображения.
Изображение №3
iSeg оценивался на предмет его способности аппроксимировать межнаблюдательную (IO от inter-observer) изменчивость в сегментации опухоли путем сравнения его производительности с исходными контурами, обозначенными врачом, или истинной (GT от ground truth), и экспертной сегментацией (т. е. IO) в подмножестве полного набора данных (3a, 3b). Один эксперт (MEA) слепо реконтурировал повторно выбранные наборы изображений. Анализ изменчивости сегментации продемонстрировал наивысшее согласие между GT и IO, затем iSeg и IO, и, наконец, iSeg и GT. Эти результаты предполагают эталон ~0.80 для межврачебной изменчивости в этой задаче, что согласуется с предыдущими отчетами. Хотя производительность iSeg упала ниже этого эталона (0.75 против 0.80), она, тем не менее, близко приблизилась к пределу межврачебной согласованности. Интересно, что iSeg больше соответствовал экспертному реконтурированию (IO), чем GT, что указывает на потенциальные ограничения в некоторых исходных контурах, определенных врачом.
Диаграммы рассеяния DSC и HD95 были созданы для оценки взаимосвязей между сегментациями GT, IO и iSeg в отдельных случаях (3c, 3d). Во-первых, сильные корреляции между выходными данными GT::iSeg и GT::IO указывают на то, что сложные случаи для iSeg были одинаково трудными для наблюдателей-людей. Во-вторых, значения выбросов, определенные в пунктирных полях, показывают, что более низкие общие метрики для iSeg были обусловлены меньшинством случаев, что отражает проблемы сегментации в небольшом подмножестве случаев.
В совокупности эти результаты продемонстрировали, что iSeg аппроксимирует межврачебную вариабельность, обеспечивая надежный и автоматизированный подход к определению объема опухоли в клинических рабочих процессах для большинства опухолей легких.
Изображение №4
Внутренний целевой объем (ITV от internal target volume) учитывает движение опухоли из-за дыхания, представляя геометрическое объединение положений опухоли на протяжении всего дыхательного цикла (4a). В радиотерапии рака легких это особенно важно, поскольку опухоль может значительно смещаться из-за респираторного движения. ITV гарантирует, что доза облучения эффективно покрывает весь диапазон движения опухоли, сводя к минимуму риск пропуска цели, при этом щадя здоровые ткани. Поскольку ITV охватывает GTV на протяжении дыхательного цикла, это более важная задача рабочего процесса, чем простое определение GTV.
Была проведена оценка способности iSeg разграничивать ITV в используемом наборе данных. Во-первых, использовались репрезентативные модели из внутренней перекрестной проверки для оценки производительности сегментации для отдельных пациентов в серии 4D КТ-сканов. Ученые отметили изменчивость производительности сегментации для одних и тех же опухолей в движении с измеримыми разрывами в сегментации GTV во время респираторной экскурсии. Чтобы устранить эту изменчивость, ученые искали подход ансамблевой модели. Были интегрированы прогнозы из нескольких моделей и наблюдалось значительное повышение точности и надежности сегментации (4b). Используя различные модели обучения и минимизируя индивидуальные смещения модели, этот метод представлял собой надежное решение для разграничения опухолей легких, приводя к индексам DSC и HD95, которые не отличались существенно от индексов разграничений GTV (4c, 4d). Модель iSeg ITV точно очертила GTV по респираторным фазам, достигнув медианного DSC 0.77 для 4D КТ-сканов. Критически важно, что ITV, полученные с помощью iSeg, были последовательно меньше, чем те, которые очерчивали врачи, в среднем на 30%, что отражает большую экономность при сохранении точности (4e–4g).
Изображение №5
Также была проведена оценка влияния несоответствия сегментации на клинические результаты, а именно вероятность локальной неудачи после SBRT. При одномерном анализе большее количество ложноположительных вокселей, более низкие дозы облучения и больший объем опухоли были связаны с повышенным риском локальной неудачи. При многомерном анализе все три фактора оставались в значительной степени связанными с локальной неудачей (графики выше). Эти результаты показали, что ложноположительные вокселы, представляющие сегментированные машиной области, не очерченные человеком, были связаны с повышенным риском локальной неудачи лечения. Каждый пропущенный человеком машинно очерченный воксел соответствовал 1% увеличению риска локальной неудачи.
Для более детального ознакомления с нюансами исследования рекомендую заглянуть в доклад ученых и дополнительные материалы к нему.
Эпилог
В рассмотренном нами сегодня труде ученые использовали ИИ для анализа КТ снимков опухолей легких человека. Разработанная система позволила повысить точность определения контуров опухоли, что является крайне важным показателем для точной и экономичной лучевой терапии. Если контур был очерчен слишком мало, то часть опухоли не будет подвержена облучению. Если же контур слишком щедрый, то облучение получат и окружающие опухоль здоровые ткани. Следовательно, чем точнее определен данные контур, тем лучше и точнее будет лечение.
Важной особенностью разработанной системы стало и то, что она весьма точно определяла контуры опухоли во время дыхания, что приводит к движению и смещению контуров.
Работа любого онколога-радиолога крайне важна и невероятно сложна, так как именно он определяет вышеописанные контуры. Множество факторов влияют на то, как качественно протекает этот процесс. Часть факторов связаны с образованием и опытом, другие же охватывают человеческие и биологические ограничения. Использование машинного обучения для анализа визуальных данных не является заменой врача, а лишь становится дополнительным инструментом, который он может использовать для повышения точности своей диагностики.
Немного рекламы
Спасибо, что остаётесь с нами. Вам нравятся наши статьи? Хотите видеть больше интересных материалов? Поддержите нас, оформив заказ или порекомендовав знакомым, облачные VPS для разработчиков от $4.99, уникальный аналог entry-level серверов, который был придуман нами для Вас: Вся правда о VPS (KVM) E5-2697 v3 (6 Cores) 10GB DDR4 480GB SSD 1Gbps от $19 или как правильно делить сервер? (доступны варианты с RAID1 и RAID10, до 24 ядер и до 40GB DDR4).
Dell R730xd в 2 раза дешевле в дата-центре Maincubes Tier IV в Амстердаме? Только у нас 2 х Intel TetraDeca-Core Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 ТВ от $199 в Нидерландах! Dell R420 — 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB — от $99! Читайте о том Как построить инфраструктуру корп. класса c применением серверов Dell R730xd Е5-2650 v4 стоимостью 9000 евро за копейки?
