Разработка и применение искусственного интеллекта для обнаружения метастазов в лимфатических узлах при колоректальном раке

ЦЕЛЬ ИССЛЕДОВАНИЯ: создание размеченного набора данных (гистосканов лимфоузлов) для использования при разработке систем поддержки принятия врачебного решения (на основе машинного обучения) в патоморфологии, которые позволят определять наличие метастатического поражения лимфоузлов при колоректальном раке.

РЕЗУЛЬТАТЫ: датасет включил 432 файла с цифровыми изображениями и разметкой 1019 лимфоузлов, включавшие лимфоузлы с метастазами и без метастазов. На основе размеченных данных была обучена нейросетевая модель, определяющая вероятность метастатического поражения для каждого пикселя в области интереса — лимфоузле (Dice 0.863 для замещенной ткани, Dice macro 0.923). Кроме того, были реализованы методы пре- и постпроцессинга для представления входных данных в приемлемом для машинного обучения виде и представления ответа ИИ-модели в форме, удобной для восприятия пользователем. Дополнительно разработана нейросетевая модель, предсказывающая вероятность нахождения артефактов в цифровых изображениях лимфоузлов с возможностью формирования карты вероятностей артефактов (Dice macro 0.776; Dice — для артефактов 0.552; IoU macro 0.725 и IoU — для артефактов 0.451).

ЗАКЛЮЧЕНИЕ: разработанная модель представляет собой хорошую основу для реализации полноценного решения, на базе которого может быть разработана система помощи врачам в поиске и оценке замещения тканевых структур и определения метастатического поражения лимфоузлов, обнаружении артефактов и оценке качества цифровых изображений.

1. Ciresan DC, Giusti A, Gambardella LM, Schmidhuber J. Mitosis detection in breast cancer histology images with deep neural networks. Med Image Comput Comput Assist Interv. 2013; 8150:411–418.

2. Cruz-Roa A, et al. Automatic detection of invasive ductal carcinoma in whole slide images with convolutional neural networks. In Proc. SPIE Medical Imaging. 2014; 9041:904103

3. Chetan L. Srinidhi et al. Deep neural network models for computational histopathology: A survey. Medical Image Analysis. 2020. www.elsevier.com/locate/media

4. Jeroen van der Laak et al. Deep learning in histopathology: the path to the clinic. Nature Medicine. May 2021; 27:775–784.

5. Babak EB, Mitko V, Johannes van Diest P, et al. and the CAMELYON16 Consortium. JAMA. 2017;318(22):2199-2210.

6. Litjens G, et al. 1399 h&e-stained sentinel lymph node sections of breast cancer patients: the camelyon dataset. Giga Science. 2018; 7, giy065.

7. Bandi P, et al. From detection of individual metastases to classification of lymph node status at the patient level: the camelyon17 challenge. IEEE Trans. Med. Imaging. 2018; 38: 550–560.

8. Щаева С. Н. Анализ выживаемости при осложненном колоректальном раке. Онкологическая колопроктология. 2017; 7(2): 20-29. DOI 10.17650/2220-3478-2017-7-2-20-29.

9. Fortea-Sanchis C, Martínez-Ramos D, Escrig-Sos J. CUSUM charts in the quality control of colon cancer lymph node analysis: a population-registry study. World J Surg Oncol. 2018 Nov 30; 16(1):230.

10. Злокачественные новообразования в России в 2019 году (заболеваемость и смертность). Под редакцией А.Д. Каприна, В.В. Старинского, А.О. Шахзадовой. М., МНИОИ им. П.А. Герцена - филиал ФГБУ «НМИЦ радиологии» Минздрава России. 2020;252 с.

11. Клинические рекомендации «Злокачественные новообразования ободочной кишки и ректосигмоидного отдела». 2020. https://cr.minzdrav.gov.ru/schema/396_1.

12. Клинические рекомендации «Рак прямой кишки». 2020. https://cr.minzdrav.gov.ru/schema/554_2.