DIGITAL DIAGNOSTICS

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.

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.

Аневризмы аорты — «тихие убийцы», развиваются без симптомов и могут привести к летальному исходу. Ежегодно заболеваемость аневризмой грудной аорты составляет около 10 случаев на 100 000 человек, а частота разрывов аневризмы — около 1,6 случая. Ранняя диагностика и лечение могут спасти жизнь пациента. Использование технологий искусственного интеллекта может значительно улучшить качество диагностики и предотвратить летальный исход.

Цель — оценить эффективность применения технологий искусственного интеллекта в выявлении аневризм грудного отдела аорты на компьютерной томографии органов грудной клетки и исследовать возможности использования этих технологий в качестве системы поддержки принятия врачебных решений врача-рентгенолога при первичном описании лучевых исследований.

Материалы и методы. Были оценены результаты использования технологий искусственного интеллекта для выявления аневризмы грудной аорты на компьютерной томографии органов грудной клетки без контрастного усиления. Была сформирована выборка из 84 405 случаев обследования пациентов старше 18 лет, из которых отобрано и ретроспективно пересмотрено сосудистыми хирургами Научно-исследовательского института скорой помощи имени Н.В. Склифосовского 86 исследований с подозрением на наличие аневризмы грудного отдела аорты по данным технологий искусственного интеллекта. Эти исследования были также ретроспективно оценены двумя врачами-рентгенологами.
Была сформирована дополнительная выборка из 968 исследований, взятых в случайном порядке из общего числа, для оценки корреляции возраста пациентов и диаметра грудного отдела аорты.

Результаты. Анализ показал, что в 44 исследованиях аневризма была первично выявлена врачом-рентгенологом, в 31 случае аневризмы не были описаны, но технология искусственного интеллекта помогла выявить патологию. Ещё 6 исследований были исключены из выборки, а в 5 случаях были обнаружены ложноположительные результаты анализа.
Использование технологий искусственного интеллекта обнаруживает и выделяет патологические изменения аорты на медицинских изображениях, тем самым повышая выявляемость аневризмы грудной аорты при интерпретации результатов компьютерной томографии органов грудной клетки на 41%. При первичном описании лучевых исследований и в ретроспективных исследованиях целесообразно использовать технологии искусственного интеллекта для профилактики пропусков клинически значимых патологий — как в качестве системы поддержки принятия врачебных решений для врача-рентгенолога, так и для повышения выявляемости патологического расширения грудного отдела аорты.
По дополнительной выборке в популяции взрослого населения частота дилатации грудного отдела аорты составила 14,5%, а аневризм грудного отдела аорты —1,2%. Данные также показали возрастную зависимость диаметра грудного отдела аорты для мужчин и женщин.

Заключение. Применение технологий искусственного интеллекта в процессе первичного описания результатов компьютерной томографии органов грудной клетки может повысить выявляемость клинически значимых патологических состояний, таких как аневризма грудного отдела аорты. Расширение ретроспективного скрининга по данным компьютерной томографии органов грудной клетки с использованием технологий искусственного интеллекта может улучшить качество диагностики сопутствующих патологий и предотвратить негативные последствия для пациентов.

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.