gnckКолопроктологияKoloproktologia2073-75562686-7303Russian Association of Coloproctology10.33878/2073-7556-2022-21-1-26-36gnck-1691Research ArticleОРИГИНАЛЬНЫЕ СТАТЬИORIGINAL ARTICLESПрименение искусственного интеллекта в МРТ диагностике рака прямой кишкиThe use of artificial intelligence in MRI diagnostics of rectal cancerhttps://orcid.org/0000-0001-9885-6824ЕлигулашвилиР. Р.EligulashviliR. R.

123423, г. Москва, ул. Саляма Адиля, д. 2

123423, Moscow, Salyama Adilya str., 2

info@gnck.ruhttps://orcid.org/0000-0002-9442-7480ЗароднюкИ. В.ZarodnyukI. V.

123423, г. Москва, ул. Саляма Адиля, д. 2

123423, Moscow, Salyama Adilya str., 2

https://orcid.org/0000-0001-9294-5447АчкасовС. И.AchkasovS. I.

123423, г. Москва, ул. Саляма Адиля, д. 2

123423, Moscow, Salyama Adilya str., 2

https://orcid.org/0000-0003-2545-7966БеловД. М.BelovD. M.

123423, г. Москва, ул. Саляма Адиля, д. 2

123423, Moscow, Salyama Adilya str., 2

https://orcid.org/0000-0002-0577-0528МихальченкоВ. А.MikhalchenkoV. A.

123423, г. Москва, ул. Саляма Адиля, д. 2

123423, Moscow, Salyama Adilya str., 2

https://orcid.org/0000-0001-6785-5191ГончароваЕ. П.GoncharovaE. P.

123423, г. Москва, ул. Саляма Адиля, д. 2

123423, Moscow, Salyama Adilya str., 2

https://orcid.org/0000-0002-4964-0848ЗапольскийА. Г.ZapolskiyA. G.

121059, г. Москва, Бережковская набережная, д. 38, стр. 1, этаж 3, помещение 1, комната 1

121059, Moscow, Berezhkovskaya embankment, 38, building 1, floor 3, room 1

https://orcid.org/0000-0003-1106-5486СусловаД. И.SuslovaD. I.

121059, г. Москва, Бережковская набережная, д. 38, стр. 1, этаж 3, помещение 1, комната 1

121059, Moscow, Berezhkovskaya embankment, 38, building 1, floor 3, room 1

https://orcid.org/0000-0002-2243-1317РяховскаяМ. А.RyakhovskayaM. A.

121059, г. Москва, Бережковская набережная, д. 38, стр. 1, этаж 3, помещение 1, комната 1

121059, Moscow, Berezhkovskaya embankment, 38, building 1, floor 3, room 1

https://orcid.org/0000-0001-7181-1036НикитинЕ. Д.NikitinE. D.

248000, г. Калуга, ул. Циолковского, д. 4, офис 301

248000, Kaluga, Tsiolkovsky str., 4, office 301

https://orcid.org/0000-0002-0657-1256ФилатовН. С.FilatovN. S.

248000, г. Калуга, ул. Циолковского, д. 4, офис 301

248000, Kaluga, Tsiolkovsky str., 4, office 301

ФГБУ «НМИЦ колопроктологии имени А.Н. Рыжих» Минздрава РоссииРоссияRyzhikh National Medical Research Center of ColoproctologyRussian FederationАО «Национальный Центр Сервисной Интеграции»РоссияJSC “National Center of Service Integration”Russian FederationООО «Медицинские Скрининг Системы»РоссияLLC “Medical Screening Systems”Russian Federation2022210320222112636Copyright © Елигулашвили Р.Р., Зароднюк И.В., Ачкасов С.И., Белов Д.М., Михальченко В.А., Гончарова Е.П., Запольский А.Г., Суслова Д.И., Ряховская М.А., Никитин Е.Д., Филатов Н.С., 20222022Елигулашвили Р.Р., Зароднюк И.В., Ачкасов С.И., Белов Д.М., Михальченко В.А., Гончарова Е.П., Запольский А.Г., Суслова Д.И., Ряховская М.А., Никитин Е.Д., Филатов Н.С.Eligulashvili R.R., Zarodnyuk I.V., Achkasov S.I., Belov D.M., Mikhalchenko V.A., Goncharova E.P., Zapolskiy A.G., Suslova D.I., Ryakhovskaya M.A., Nikitin E.D., Filatov N.S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.ruproctology.com/jour/article/view/1691ЦЕЛЬ ИССЛЕДОВАНИЯ

ЦЕЛЬ ИССЛЕДОВАНИЯ: разработка систем поддержки принятия врачебного решения при МРТ-диагностике рака прямой кишки: локализация и сегментация первичной опухоли.

ПАЦИЕНТЫ И МЕТОДЫ

ПАЦИЕНТЫ И МЕТОДЫ: в работу было включено 450 МРТ-исследований больных раком прямой кишки (РПК) и 450 МРТ-исследований пациентов без опухолевого поражения прямой кишки. Все пациенты с опухолями прямой кишки имели гистологическую верификацию злокачественного процесса. Данные собирались в коронарной и аксиальной проекциях T2-ВИ (МРТ Philips Achieva 1,5 Тл). Разметка объектов проводилась только для проекций T2-ВИ, где сегментировались область интереса – прямая, сигмовидная кишка и опухоль. Для разметки МРТ изображений была использована программа ITK-Snap. Провалидированные исследования и разметка использовались для создания модели машинного обучения, демонстрирующей возможности набора данных для построения систем поддержки принятия врачебного решения. Для создания базовой модели искусственного интеллекта использовались нейросети SegResNet, TransUnet, 3D Unet. Набор пациентов и непосредственно разметка МРТ исследований были проведены врачами ФГБУ «НМИЦ колопроктологии им А.Н. Рыжих» Минздрава России. Разработка модели искусственного интеллекта, валидация разметки выполнялась сотрудниками ООО «Медицинские Скрининг Системы», АО «Национальный Центр Сервисной Интеграции».

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ: коэффициенты близости (DSC) различных нейросетей составили: TransUnet - 0.33, SegResNet - 0.50, 3DUnet - 0.42. Диагностическая эффективность нейросети SegResNet в выявлении опухолей прямой кишки с добавлением отрицательных примеров и постобработкой составила: точность 77,0%; чувствительность 98,1%; специфичность 45,1%; положительная прогностическая ценность 72,9%; отрицательная прогностическая ценность 94,1%.  На данном этапе ИИ обладает довольно высокой чувствительностью и точностью, что говорит о высокой диагностической эффективности в отношении визуализации первичной опухоли и определении ее локализации в прямой кишке. Однако специфичность метода пока на неудовлетворительном уровне (45,1%), что говорит о высоком проценте ложноположительных результатов у здоровых пациентов и не позволяет использовать модель в качестве скринингового метода на данном этапе ее развития. 

ЗАКЛЮЧЕНИЕ

ЗАКЛЮЧЕНИЕ: собранный датасет МРТ-исследований и их разметка, позволили получить ИИ-модель, которая позволяет решать задачу сегментирования опухоли прямой кишки и определение ее локализации. Следующим этапом развития ИИ является улучшение ее специфичности, расширение анализируемых параметров, таких как глубина инвазии опухоли, визуализиция метастатических лимфатических узлов и статуса края резекции. Для дальнейшей разработки метрики модели и улучшения ее диагностических возможностей, следует экспериментировать с параметрами обучения и увеличивать набор данных.

AIM

AIM: development of medical decision support systems for MRI diagnostics of rectal cancer: localization and segmentation of the primary tumor.

PATIENTS AND METHODS

PATIENTS AND METHODS: the research included 450 MRI studies of patients with rectal cancer and 450 MRI studies of patients without a tumor lesion of the rectum. All patients with tumors of rectum had histological verification of the malignant process. Data were collected in T2Wcoronal and axial projections (MRI Philips Achieva 1.5 T). Object marking was carried out only for T2W projections, where the area of interest was segmented - rectum, sigmoid colon and tumor. The ITK-Snap program was used to label MRI images. The validated studies and labeling were used to create a machine learning model that demonstrates the capability of the dataset to build medical decision support systems. SegResNet, TransUnet, 3D Unet neural networks were used to create a basic artificial intelligence model. The data set of patients and the direct marking of MRI studies were carried out by doctors of Ryzhikh National Medical Research Center of Coloproctology. The development of the artificial intelligence model, markup validation was carried out by employees of JSC "National Center of Service Integration" and LLC "Medical Screening Systems".

RESULTS

RESULTS: dice similarity coefficient (DSC) of various neural networks were: TransUnet - 0.33, SegResNet - 0.50, 3D Unet - 0.42. The diagnostic efficiency of the SegResNet neural network in detecting rectal tumors with the addition of negative examples and post-processing was: accuracy 77.0%; sensitivity 98.1%; specificity 45.1%; positive predictive value 72.9%; negative predictive value of 94.1%. At this stage, AI has a fairly high sensitivity and accuracy, which indicates a high diagnostic efficiency in terms of visualizing the primary tumor and determining localization in the rectum. However, the specificity of the method is still at an unsatisfactory level (45.1%), which indicates a high percentage of false positive results in healthy patients and does not allow the model to be used as a screening method at this stage of development.

CONCLUSION

CONCLUSION: the collected dataset of MRI studies and their markup made it possible to obtain an AI model that allows solving the problem of segmenting a rectal tumor and determining its localization. The next stage in the development of AI is to improve its specificity, expand the analyzed parameters, such as the depth of tumor invasion, visualization of metastatic lymph nodes and the status of the resection margin. To further develop the model metric and improve its diagnostic capabilities, we should experiment with training parameters and increase the dataset.

МРТмагнитно-резонансная томографияискусственный интеллектнейросетьрак прямой кишкиMRImagnetic resonance imagingartificial intelligenceneural networkrectal cancerсубсидия Министерства Здравоохранения Российской Федерацииgrant from the Ministry of Health of the Russian FederationReferencesКаприн А.Д, Старинский В.В., Шахзадова А.О. Злокачественные новообразования в России в 2019 году (заболеваемость и смертность). М.: МНИОИ им. П.А. Герцена (филиал ФГБУ «НМИЦР» Минздрава России). 2020;252 с.Kaprin A.D., Starinsky V.V., Shahzadova A.O. Malignant neoplasms in Russia in 2019 (morbidity and mortality). Moscow: MNIOI. P.A. Herzen (branch FGBU “MICR” of Minzdrav of Russia). 2020; p. 252. (in Russ.).Ferlay J, Soerjomataram I, Dikshit R. et al. Cancer incidence and mortality worldwide: Sources, methods and major patterns in GLOBOCAN 2012. Int J Cancer. 2015; 136:E359–E386. DOI: 10.1002/ijc.29210Ferlay J, Soerjomataram I, Dikshit R, et al. Cancer incidence and mortality worldwide: Sources, methods and major patterns in GLOBOCAN 2012. Int J Cancer. 2015; 136: E359–E386. DOI:10.1002/ijc.29210Каприн А.Д., Старинский В.В., Шахзадова А.О. Состояние онкологической помощи населению России в 2019 году. М.: МНИОИ им. П.А. Герцена (филиал ФГБУ «ФМИЦ им. П.А. Герцена» Минздрава России). 2020; 239 с.Kaprin A.D., Starinsky V.V., Shakhzadova A.O. The state of oncological care for the population of Russia in 2019. Moscow: MNIOI. P.A. Herzen (branch FGBU “MICR” of Minzdrav of Russia). 2020; p. 239 (in Russ.)>Wang H, Fu C. Value of preoperative accurate staging of rectal cancer and the effect on the treatment strategy choice (in Chinese). Chin J Pract Surg. 2014;34:37–40. DOI:10.3969/j.issn.1674-9316.2016.02.058Wang H, Fu C. Value of preoperative accurate staging of rectal cancer and the effect on the treatment strategy choice (in Chinese). Chin J Pract Surg. 2014;34:37–40. DOI:10.3969/j.issn.1674-9316.2016.02.058Abraha I, Aristei C, Palumbo I, et al. Preoperative radiotherapy and curative surgery for the management of localised rectal carcinoma. Cochrane Database Syst Rev. 2018;10(10):CD002102. DOI:10.1002/14651858.CD002102.pub3Abraha I, Aristei C, Palumbo I, et al. Preoperative radiotherapy and curative surgery for the management of localised rectal carcinoma. Cochrane Database Syst Rev. 2018;10(10):CD002102. DOI:10.1002/14651858.CD002102.pub3Jhaveri KS, Sadaf A. Role of MRI for staging of rectal cancer. Expert Rev Anticancer Ther. 2009;9(4):469-481. DOI:10.1586/era.09.13Jhaveri KS, Sadaf A. Role of MRI for staging of rectal cancer. Expert Rev Anticancer Ther. 2009;9(4):469-481. DOI:10.1586/era.09.13Beets-Tan R, Lambregts D, Maas M, et al. Magnetic resonance imaging for clinical management of rectal cancer: Updated recommendations from the 2016 European Society of Gastrointestinal and Abdominal Radiology (ESGAR) consensus meeting [published correction appears in Eur Radiol. Eur Radiol. 2018;28(4):1465-1475. DOI:10.1007/s00330-017-5026-2Beets-Tan R, Lambregts D, Maas M, et al. Magnetic resonance imaging for clinical management of rectal cancer: Updated recommendations from the 2016 European Society of Gastrointestinal and Abdominal Radiology (ESGAR) consensus meeting [published correction appears in Eur Radiol. Eur Radiol. 2018;28(4):1465-1475. DOI:10.1007/s00330-017-5026-2Xiao Y, Liu S. Artificial intelligence will change the future of imaging medicine (in Chinese). J Technol Finance. 2018;10:11–15. DOI:10.3969/j.issn.2096-4935.2018.10.006Xiao Y, Liu S. Artificial intelligence will change the future of imaging medicine (in Chinese). J Technol Finance. 2018;10:11–15. DOI:10.3969/j.issn.2096-4935.2018.10.006Wang Y, He X, Nie H, et al. Application of artificial intelligence to the diagnosis and therapy of colorectal cancer. Am J Cancer Res. 2020;10(11):3575–3598.Wang Y, He X, Nie H, et al. Application of artificial intelligence to the diagnosis and therapy of colorectal cancer. Am J Cancer Res. 2020;10(11):3575–3598.Perone C, Cohen-Adad J. Promises and limitations of deep learning for medical image segmentation. J Med Artif Intel. 2019;2:1-2. DOI: 10.21037/jmai.2019.01.01Perone C, Cohen-Adad J. Promises and limitations of deep learning for medical image segmentation. J Med Artif Intel. 2019;2:1-2. DOI:10.21037/jmai.2019.01.01Ding L, Liu G, Zhao B. et al. Artificial intelligence system of faster region-based convolutional neural network surpassing senior radiologists in evaluation of metastatic lymph nodes of rectal cancer. Chin Med J. 2019;132(4):379–87. DOI:10.1097/CM9.0000000000000095Ding L, Liu G, Zhao B. et al. Artificial intelligence system of faster region-based convolutional neural network surpassing senior radiologists in evaluation of metastatic lymph nodes of rectal cancer. Chin Med J. 2019;132(4):379–87. DOI:10.1097/CM9.0000000000000095Harangi B. Skin lesion classification with ensembles of deep convolutional neural networks. J Biomed Inform. 2018;86:25–32. DOI: 10.1016/j.jbi.2018.08.006Harangi B. Skin lesion classification with ensembles of deep convolutional neural networks. J Biomed Inform. 2018;86:25–32. DOI:10.1016/j.jbi.2018.08.006Ehteshami Bejnordi B, Veta M, Johannes van Diest P, et al. Diagnostic Assessment of Deep Learning Algorithms for Detection of Lymph Node Metastases in Women With Breast Cancer. JAMA. 2017;318(22): 2199-2210. DOI:10.1001/jama.2017.14585Ehteshami Bejnordi B, Veta M, Johannes van Diest P, et al. Diagnostic Assessment of Deep Learning Algorithms for Detection of Lymph Node Metastases in Women With Breast Cancer. JAMA. 2017;318(22): 2199-2210. DOI:10.1001/jama.2017.14585Yushkevich PA, Piven J, Hazlett HC, et al. User-guided 3D active contour segmentation of anatomical structures: significantly improved efficiency and reliability. Neuroimage. 2006;31(3):1116-1128. DOI:10.1016/j.neuroimage.2006.01.015Yushkevich PA, Piven J, Hazlett HC, et al. User-guided 3D active contour segmentation of anatomical structures: significantly improved efficiency and reliability. Neuroimage. 2006;31(3):1116-1128. DOI:10.1016/j.neuroimage.2006.01.015Baid U, Chodasara S, Mohan S, et al. The rsna-asnr-miccai brats 2021 benchmark on brain tumor segmentation and radiogenomic classification. arXiv. 2021;2107.02314.Baid U, Chodasara S, Mohan S, et al. The rsna-asnr-miccai brats 2021 benchmark on brain tumor segmentation and radiogenomic classification. arXiv. 2021;2107.02314.Magadza T, Viriri S. Deep Learning for Brain Tumor Segmentation: A Survey of State-of-the-Art. J Imaging. 2021;7(2):19. DOI:10.3390/jimaging7020019Magadza T, Viriri S. Deep Learning for Brain Tumor Segmentation: A Survey of State-of-the-Art. J Imaging. 2021;7(2):19. DOI:10.3390/jimaging7020019Balakrishnan G, Zhao А, Sabuncu M. el al. VoxelMorph: A Learning Framework for Deformable Medical Image Registration. IEEE Transactions on Medical Imaging. 2019;38(8):1788-1800 DOI:10.1109/TMI.2019.2897538Balakrishnan G, Zhao А, Sabuncu M. el al. VoxelMorph: A Learning Framework for Deformable Medical Image Registration. IEEE Transactions on Medical Imaging. 2019;38(8):1788-1800 DOI:10.1109/TMI.2019.2897538Taylor F, Quirke P, Heald RJ, et al. Preoperative high-resolution magnetic resonance imaging can identify good prognosis stage I, II, and III rectal cancer best managed by surgery alone: a prospective, multicenter, European study. Ann Surg. 2011;253(4):711-719. DOI:10.1097/SLA.0b013e31820b8d52.Taylor F, Quirke P, Heald RJ, et al. Preoperative high-resolution magnetic resonance imaging can identify good prognosis stage I, II, and III rectal cancer best managed by surgery alone: a prospective, multicenter, European study. Ann Surg. 2011;253(4):711-719. DOI:10.1097/SLA.0b013e31820b8d52.Чернышов С.В., Хомяков Е.А., Синицын Р.К. и соавт. Скрытая аденокарцинома в аденомах. Возможности инструментальной идентификации. Колопроктология. 2021; 20(2):10-17. DOI:10.33878/2073-7556-2021-20-2-10-16Chernyshov S.V., Khomyakov E.A., Sinitsyn R.K. et al. Latent adenocarcinoma in adenomas. Possibilities of instrumental identification. Koloproktologia. 2021; 20(2):10-17. (in Russ.). DOI:10.33878/2073-7556-2021-20-2-10-16.Thrall J, Li X, Li Q. et al. Artificial Intelligence and Machine Learning in Radiology: Opportunities, Challenges, Pitfalls, and Criteria for Success. J Am Coll Radiol. 2018;15:504-508. DOI:10.1016/j.jacr.2017.12.026Thrall J, Li X, Li Q. et al. Artificial Intelligence and Machine Learning in Radiology: Opportunities, Challenges, Pitfalls, and Criteria for Success. J Am Coll Radiol. 2018;15:504-508. DOI:10.1016/j.jacr.2017.12.026Wu QY, Liu SL, Sun P. et al. Establishment and clinical application value of an automatic diagnosis platform for rectal cancer T-staging based on a deep neural network. Chin Med J (Engl). 2021;134(7):821-828. DOI:10.1097/CM9.0000000000001401Wu QY, Liu SL, Sun P. et al. Establishment and clinical application value of an automatic diagnosis platform for rectal cancer T-staging based on a deep neural network. Chin Med J (Engl). 2021;134(7):821-828. DOI:10.1097/CM9.0000000000001401Lu Y, Yu Q, GaoY. et al. Identification of Metastatic Lymph Nodes in MR Imaging with Faster Region-Based Convolutional Neural Networks. Cancer Res. 2018;78(17):5135-5143. DOI:10.1158/0008-5472.CAN-18-0494Lu Y, Yu Q, GaoY. et al. Identification of Metastatic Lymph Nodes in MR Imaging with Faster Region-Based Convolutional Neural Networks. Cancer Res. 2018;78(17):5135-5143. DOI:10.1158/0008-5472.CAN-18-0494

The authors declare that there are no conflicts of interest present.