Статья: Вклад систем искусственного интеллекта в улучшение выявления аневризм аорты по данным компьютерной томографии грудной клетки (2024)

В современных научных исследованиях в последнее время всё чаще появляются дискуссии о том, что в связи с развитием технологий искусственного интеллекта встают вопросы об объективности, правдоподобности и достоверности знания, а также о том, не заменят ли эти технологии фигуру эксперта как ту инстанцию, которая до сих пор выступала гарантом объективности и центром принятия решений. Современные историки науки Л. Дастон и П. Галисон в своей книге, посвящённой истории научной объективности, говорят о сменяемости «эпистемических добродетелей», в качестве одной из которых с определённого момента утвердилась и объективность. При этом выдвижение той или иной добродетели, регулирующей научную самость, то есть выступающей нормативным принципом для учёного при выборе способа видения и научной практики, зависит от принятия решений в трудных случаях, требующих воли и ограничения самости. В этом смысле эпистемология соединяется с этикой: учёный, руководствуясь определёнными моральными принципами, отдаёт предпочтение тому или иному способу поведения, выбирая, например, не более точное изображение, сделанное от руки, а неретушированную фотографию, возможно, нечёткую, но полученную механически, а значит — более объективную и свободную от какой-либо примеси субъективности. В этой связи небезынтересным представляется эпистемический статус современных технологий на основе искусственного интеллекта, которые всё больше берут на себя функции научной самости, в том числе и в части оказания влияния на принятие конечных решений и получение объективного знания. Так, например, в области медицины роботизированные аппараты уже оказывают существенную поддержку: им передаётся часть функций, например, врача первого звена для сбора и анализа стандартизированных данных о пациенте и диагностики. Есть предположение, что в ближайшее время всё больше обязанностей будет передаваться искусственному интеллекту: обработка данных, разработка новых лекарств и способов лечения, налаживание дистанционного взаимодействия с пациентом и др. Значит ли это, что научная самость может быть заменена алгоритмами на основе искусственного интеллекта, а на смену объективности придёт другая эпистемическая добродетель, окончательно разрывающая связь этики и эпистемологии, — этот вопрос нуждается в исследовании.

В работе представлен селективный обзор литературы, посвящённый использованию алгоритмов компьютерного зрения для диагностики новообразований печени и почек, а также камней в мочевыделительной системе на изображениях компьютерной томографии органов брюшной полости и забрюшинного пространства.
В обзор были включены статьи, опубликованные за период с 01.01.2020 по 24.04.2023 гг.
В задаче сегментации печени и её новообразований алгоритмы, оперирующие пикселями, показали наибольшие значения параметров диагностической точности (точность достигает 99,6%; коэффициент сходства Дайса — 0,99). Задачи классификации новообразований печени на текущий момент лучше решаются воксельными алгоритмами (точность до 82,5%).
Сегментация почек и их новообразований, а также классификация опухолей почек одинаково хорошо выполняются алгоритмами, анализирующими как пиксели, так и воксели (точность достигает 99,3%, коэффициент сходства Дайса — 0,97).
Алгоритмы компьютерного зрения в настоящее время также способны с высокой степенью точности определять конкременты в мочевыделительной системе размерами от 3 мм (точность достигает 93,0%).
Таким образом, существующие алгоритмы компьютерного зрения позволяют не только эффективно выявлять новообразования печени и почек, а также конкременты в мочевыделительной системе, но и с высокой точностью определять их количественные и качественные характеристики.
Более высокая точность определения вида новообразования может быть достигнута за счёт оценки воксельных данных, поскольку в этом случае алгоритм анализирует новообразование полностью в трёх измерениях, а не только в плоскости одного среза.

Показатели заболеваемости населения Российской Федерации патологиями системы кровообращения за прошедшие два десятилетия постоянно повышались, и с 2000 г. до 2019 г. увеличились в 2,047 раза. Процесс кальцификации сосудов включает отложение солей кальция в стенке артерий, что приводит к ремоделированию сосудистой стенки. Лучевые методы исследования — золотой стандарт диагностики кальцификации сосудов. Однако в связи с возрастающим объёмом данных и необходимостью сокращения времени постановки диагноза неизбежно снижается эффективность работы. Активное развитие и внедрение в клиническую практику искусственного интеллекта открыло перед специалистами возможности для решения этих проблем.

Цель — проанализировать отечественную и зарубежную литературу, посвящённую использованию искусственного интеллекта в диагностике различных типов кальцификации сосудов, а также обобщить прогностическую ценность кальцификации сосудов и оценить аспекты, препятствующие диагностике кальцификации сосудов без применения искусственного интеллекта.

Материалы и методы. Авторы провели поиск публикаций в электронных базах данных PubMed, Web of Science, Google Scholar и eLibrary. Поиск проводился по следующим ключевым словам: «artificial intelligence», «machine learning», «vascular calcification», «искусственный интеллект», «машинное обучение», «кальцификация сосудов». Поиск проводился во временном интервале с момента основания соответствующей базы данных до июля 2023 года.

Результаты. Основная методология включённых в обзор исследований заключалась в сравнении диагностических способностей клиницистов и искусственного интеллекта с применением одних и тех же изображений и последующей оценкой точности, скорости и других показателей. Участки возникновения сосудистых кальцификаций весьма разно-образны, что обусловливает их различную прогностическую ценность.

Заключение. Искусственный интеллект отлично зарекомендовал себя в диагностике сосудистой кальцификации. Помимо повышения точности и эффективности, способности к детализации превосходят возможности ручного метода диагностики. Искусственный интеллект достиг уровня, позволяющего помогать врачам инструментальной диагностики в автоматическом выявлении кальцификации сосудов. Возможности искусственного интеллекта могут способствовать эффективному развитию рентгенологии в будущем.

Несмотря на то, что в приказе Министерства здравоохранения Российской Федерации «Об утверждении порядка оказания медицинской помощи взрослому населению при заболеваниях глаза, его придаточного аппарата и орбиты» сказано про оснащение медицинского консультативно-диагностического отделения поликлиники оптическим когерентным томографом, динамическое наблюдение пациентов с патологией сетчатки после начала лечения осуществляется чаще всего в медицинском офтальмологическом центре, что снижает доступность лечения для пациентов со впервые выявленной (первичной) патологией, требующей как можно более раннего начала лечения. Имеющаяся технология нуждается в изменении и интенсификации, в том числе — с применением технологий искусственного интеллекта.

Цель — разработка методических основ организационной технологии диспансерного наблюдения пациентов с патологией заднего отрезка глаза с использованием систем поддержки принятия врачебных решений на основе искусственного интеллекта.

Материалы и методы. Оценка существующей нормативной базы проведена на основе анализа Конституции Российской Федерации, федеральных законов, подзаконной нормативной базы и судебной практики. Создание структурированного медицинского документа описания снимка оптической когерентной томографии проведено с использованием экспертного метода: анкетирования 100 врачей-офтальмологов, имеющих соответствующий уровень образования, в том числе дополнительное профессиональное, занимающихся оказанием медицинских услуг — специализированной медицинской помощи пациентам с патологией заднего отрезка глаза. Структурированный медицинский документ послужил основой для формирования предикторов искусственных нейронных сетей. Обучение нейронных сетей произведено с использованием 60 000 медицинских изображений с помощью метода классификации и сегментации в зависимости от признака.

Результаты. Экспертным методом отобрано и описано 123 бинарных признака, позволяющих описать структуру макулярной области сетчатки в норме и при патологии, из которых выявлено 26 признаков, которые могут быть интерпретированы в качестве предикторов ухудшения клинического течения заболевания.

Заключение. Разработанный классификатор позволил создать и обучить на основе 60 000 медицинских изображений систему поддержки принятия врачебных решений, которая в качестве информационного сервиса, без постановки диагноза, может позволить изменить организацию процесса динамического наблюдения. Формирование маршрутизации пациентов — первичная услуга разработанной системы поддержки принятия врачебных решений. При наличии признаков ухудшения клинической картины предполагается маршрутизация в медицинский офтальмологический центр для оценки динамики и оказания специализированной, в том числе высокотехнологичной, медицинской помощи.

Тщательный анализ как оптических, так и анатомических свойств роговицы у пациентов после перенесённой передней радиальной кератотомии приобретает особое значение в выборе оптической силы интраокулярной линзы при хирургическом лечении катаракты и других видах оптической коррекции. Вариабельность клинической картины посткератотомической деформации определяет необходимость разработки её классификации и является важной задачей современной офтальмологии.

Цель — разработать автоматизированную систему классификации посткератотомической деформации роговицы с использованием машинного обучения и искусственной нейронной сети на основе анализа численных значений топографических карт роговицы.

Материалы и методы. В качестве материала использовались обезличенные результаты анализа медицинской документации 250 пациентов в возрасте от 46 до 76 лет (средний возраст — 59,63±5,95 года). Проведён анализ 500 карт рельеф-топографии передней и задней поверхностей роговицы и 3 этапа машинного обучения классификации посткератотомической деформации.

Результаты. I этап — анализ рельеф-топографии передней и задней поверхностей роговицы — позволил зафиксировать численные значения элевации передней и задней поверхности роговицы в трёх кольцевидных зонах. На II этапе в ходе глубокого машинного обучения была выбрана и создана нейросеть прямого распространения. Установлены 8 вспомогательных параметров, описывающих форму передней и задней поверхностей роговицы. III этап сопровождался получением алгоритмов классификации посткератотомической деформации роговицы в зависимости от соотношения тестовой и обучающей выборок, которое варьировало от 75 до 91%.

Заключение. Разработана искусственная нейронная сеть, успешно решающая задачу классификации типов посткератотомической деформации роговицы с точностью 91%. Установлен потенциал для дальнейшего улучшения качества обучения данной нейронной сети. Применение алгоритмов искусственной нейронной сети может стать полезным инструментом автоматической классификации посткератотомической деформации роговицы у пациентов, перенёсших ранее радиальную кератотомию.

Имплантация современных интраокулярных линз позволяет офтальмологам эффективно решать задачи хирургической реабилитации пациентов с катарактой. Степень улучшения зрительных функций пациента напрямую связана с точностью предоперационного расчёта оптической силы интраокулярных линз. Для расчёта этого показателя используются такие формулы, как SRK II, SRK/T, Hoffer-Q, Holladay II, Haigis, Barrett. Все они хорошо работают для «среднего пациента», однако не являются в достаточной степени адекватными на границах диапазонов входных переменных.

Цель — изучение возможности использования математических моделей, полученных в результате глубокого обучения искусственных нейронных сетей, для генерализации данных и прогнозирования оптической силы современных интраокулярных линз.

Материалы и методы. Обучение моделей, основанных на искусственных нейронных сетях, проводилось на масштабных выборках, в том числе на обезличенных данных пациентов офтальмологической клиники. Данные, предоставленные в 2021 году врачом-офтальмологом К.К. Сырых, отражают результаты как предоперационных, так и послеоперационных наблюдений за пациентами. Исходный файл, использованный для построения модели, основанной на искусственной нейронной сети, включал 455 записей (26 столбцов входных факторов и один столбец выходного фактора) при расчёте интраокулярных линз (дтпр). Для удобного построения моделей использовали программу-симулятор, ранее разработанную авторами.

Результаты. Полученные модели, в отличие от традиционно используемых формул, в гораздо большей степени отражают региональную специфику пациентов. Они также позволяют переобучать и оптимизировать структуру модели на основе вновь поступающих данных, что позволяет учитывать нестационарность объекта. Отличительной особенностью таких моделей, основанных на искусственных нейронных сетях, по сравнению с известными формулами, широко используемыми в хирургическом лечении катаракты, является возможность учёта значительного числа регистрируемых входных величин. Это позволило снизить среднюю относительную погрешность расчётов оптической силы интраокулярных линз с 10–12% до 3,5%.

Заключение. Данное исследование показывает принципиальную возможность генерализации значительного количества эмпирических данных по расчёту оптической силы интраокулярных линз с использованием глубокого обучения моделей искусственных нейронных сетей , которые имеют значительно большее количество входных переменных, чем при использовании традиционных формул и методов. Полученные результаты позволяют построить интеллектуальную экспертную систему с динамическим поступлением новых данных и поэтапным переобучением моделей.

В последние годы актуально изменение методик и программ преподавания многих дисциплин, в том числе ультразвуковой диагностики, с включением в них различных виртуальных и симуляционных устройств. Практический опыт использования подобных технологий в процессе обучения достаточно непродолжителен, в связи с этим в отечественной и зарубежной литературе имеются лишь немногочисленные оригинальные работы, посвящённые этой теме.

Цель — определить возможности и алгоритм использования виртуального симулятора ультразвукового исследования в процессе преподавания дисциплины «ультразвуковая диагностика» на основании результатов работы с ним. Оценить преимущества и недостатки применения симулятора в сравнении с традиционной методикой преподавания.

Материалы и методы. Проанализированы результаты применения виртуального тренажёра «Vimedix 3.2» в учебном процессе. На нём проводились симуляции трансабдоминального ультразвукового исследования органов брюшной полости, трансторакальной эхокардиографии, триплексного сканирования магистральных сосудов. В процессе исследования участвовали 26 ординаторов по специальности «ультразвуковая диагностика» и 37 врачей, проходивших обучение на курсах профессиональной переподготовки.

Результаты. Применение виртуального симулятора на начальном этапе в учебном процессе может устранить многие проблемы, с которыми сталкиваются ординаторы и курсанты при обучении на клинических базах. Использование симулятора в процессе тестирования представляется менее предпочтительным, по сравнению с практическим экзаменом с использованием ультразвуковых сканеров и реальных пациентов.

Заключение. Симулятор целесообразно использовать на начальном этапе для отработки методики исследования. Рекомендуется разработка и использование в обучении дополнительных учебно-методических материалов и учебной программы. Преимуществами виртуального симулятора являются комфортность работы на начальном этапе обучения, малое время его освоения, наличие обширной базы данных патологических случаев. Выявленные некритичные недостатки требуют коррекции при дальнейшем обучении в клинике.

Заболевания макулярной области представляют собой большую группу патологических состояний, приводящих к потере зрения и слабовидению. Ранняя диагностика таких изменений играет большую роль в выборе тактики лечения и является одной из определяющих в прогнозировании результатов.

Цель — изучить возможности программы искусственного интеллекта в диагностике заболеваний макулярной области на основе анализа сканов структурной оптической когерентной томографии.

Материалы и методы. В исследование были включены пациенты, проходившие обследование и лечение в Федеральном научно-клиническом центре специализированных видов медицинской помощи и медицинских технологий и Московского областного научно-исследовательского клинического института им. М.Ф. Владимирского. Обследовано 200 глаз с заболеваниями макулярной области, а также глаза без макулярной патологии. Проведён сравнительный клинический анализ сканов структурной оптической когерентной томографии, выполненных на офтальмологическом томографе RTVue XR 110-2. Для анализа сканов оптической когерентной томографии использовалось программное обеспечение Retina.AI.

Результаты. В ходе анализа сканов оптической когерентной томографии с помощью программы были выявлены различные патологические структуры макулярной области, а затем сформулировано заключение о вероятной патологии. Полученные результаты сравнивались с заключениями врачей-офтальмологов. Чувствительность метода составила 95,16%; специфичность — 97,76%; точность — 97,38%.

Заключение. Платформа Retina.AI позволяет офтальмологам успешно проводить автоматизированный анализ сканов структурной оптической когерентной томографии и выявлять различные патологические состояния глазного дна.

Оптическая когерентная томография — современный высокотехнологичный и информативный метод выявления патологии сетчатки глаза и преретинальных слоёв стекловидного тела. Однако описание и интерпретация результатов исследования требуют высокой квалификации и специальной подготовки врача-офтальмолога, а также значительных временных затрат врача и пациента. Вместе с тем использование математических моделей на основе аппарата искусственных нейронных сетей в настоящее время позволяет автоматизировать многие процессы, связанные с обработкой изображений. Именно поэтому актуально решение задач, связанных с автоматизацией процесса классификации снимков оптической когерентной томографии на основе глубокого обучения моделей искусственных нейронных сетей.

Цель — разработать архитектуры математических (компьютерных) моделей на основе глубокого обучения свёрточных нейронных сетей, предназначенных для классификации снимков оптической когерентной томографии сетчатки глаза; сравнить результаты вычислительных экспериментов, проведённых с использованием средств Python в Google Colaboratory при одно- и многомодельном подходах, и выполнить оценки точности классификации; сделать выводы об оптимальной архитектуре моделей искусственных нейронных сетей и значениях используемых гиперпараметров.

Материалы и методы. Исходный датасет, представляющий собой обезличенные снимки оптической когерентной томографии реальных пациентов, включал более 2000 изображений, полученных непосредственно с прибора в разрешении 1920×969×24 BPP. Количество классов изображений — 12. Для создания обучающего и валидационного наборов данных осуществляли «вырезание» предметной области 1100×550×24 BPP. Изучали различные подходы: возможность использования предобученных свёрточных нейронных сетей c переносом обучения, методики изменения размера и аугментации изображений, а также различные сочетания гиперпараметров моделей искусственных нейронных сетей. При компиляции модели использовали следующие параметры: оптимизатор Adam, функцию потерь categorical_crossentropy, метрику accuracy. Все технологические процессы с изображениями и моделями искусственных нейронных сетей проводили с использованием средств языка Python в Google Colaboratory.

Результаты. Предложены одно- и многомодельный принципы классификации изображений оптической когерентной томографии сетчатки глаза. Вычислительные эксперименты по автоматизированной классификации таких изображений, полученных с томографа DRI OCT Triton, с использованием различных архитектур моделей искусственных нейронных сетей показали точность при обучении и валидации 98–100%, и на дополнительном тесте — 85%, что является удовлетворительным результатом. Выбрана оптимальная архитектура модели искусственной нейронной сети — 6-слойная свёрточная сеть, — и определены значения её гиперпараметров.

Заключение. Результаты глубокого обучения моделей свёрточных нейронных сетей с различной архитектурой, их валидации и тестирования показали удовлетворительную точность классификации снимков оптической когерентной томографии сетчатки глаза. Данные разработки могут быть использованы в системах поддержки принятия решений в области офтальмологии.