Применение искусственного интеллекта в МРТ диагностике рака прямой кишки

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

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: 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: 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.

1. Каприн 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.

2. 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.29210

3. Каприн 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.

4. 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.1674-9316.2016.02.058

5. Abraha 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.pub3

6. Jhaveri KS, Sadaf A. Role of MRI for staging of rectal cancer. Expert Rev Anticancer Ther. 2009;9(4):469-481. DOI:10.1586/era.09.13

7. Beets-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/s00330-017-5026-2

8. Xiao 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.2096-4935.2018.10.006

9. 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.

10. 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.2019.01.01

11. Ding 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/CM9.0000000000000095

12. Harangi B. Skin lesion classification with ensembles of deep convolutional neural networks. J Biomed Inform. 2018;86:25–32. DOI: 10.1016/j.jbi.2018.08.006

13. Ehteshami 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.2017.14585

14. Yushkevich 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.2006.01.015

15. 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.

16. 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/jimaging7020019

17. Balakrishnan 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.2019.2897538

18. 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.

19. 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:10.33878/2073-7556-2021-20-2-10-16

20. 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.2017.12.026

21. Wu 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/CM9.0000000000001401

22. Lu 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