Машинное обучение в ультразвуковой диагностике рака предстательной железы

Авторы: Н.Д. Насонов, В.Н. Шолохов, Р.А. Соловьев, А.С. Бреднева, Н.К. Карамурзаев, С.Н. Бердников, М.С. Махотина

Журнал: SonoAce Ultrasound №36 Рубрика: Эхография в урологии

Введение

Рак предстательной железы является одним из самых распространенных видов онкологических заболеваний у мужчин. Риск развития рака предстательной железы значительно увеличивается с возрастом. Чаще всего рак предстательной железы выявляется у мужчин старше 50 лет. Своевременное обнаружение и лечение рака простаты существенно увеличивает шансы на полное восстановление и выживаемость.

Наиболее подходящими методами скрининга для выявления рака предстательной железы являются пальцевое ректальное обследование, тест на простатспецифический антиген, трансректальная ультразвуковая диагностика. Магнитно-резонансная томография и биопсия являются уточняющими методами диагностики и не рассматриваются в качестве скрининговых методов.

Трансректальное ультразвуковое исследование предстательной железы на сегодняшний день наиболее распространенный способ визуализации в силу информативности, доступности и экономической эффективности. Стандартно используется комбинация серошкального и допплерографических режимов, также применяются такие режимы, как эластография. Однако всех вышеупомянутых параметров не всегда хватает для постановки диагноза. В данном виде диагностики большое значение имеют опыт и квалификация врача, уровень и специфика учреждения, в котором проводится исследование, и класс ультразвукового аппарата.

Специалист в области ультразвуковой диагностики, особенно в первичном звене, имеет небольшой опыт в диагностике рака предстательной железы, в связи с чем качество скрининга снижается.

В последние годы машинное обучение получило широкое применение в медицине для автоматической обработки и анализа изображений. На практике это помогает рентгенологам ставить диагноз точнее, быстрее и дешевле.

Машинное обучение – технология, которая позволяет компьютеру находить в данных сложные закономерности и опираться на них при принятии решений. В медицине его уже применяют для анализа изображений, и ультразвуковая диагностика здесь не исключение.

В ультразвуковой диагностике машинное обучение берёт на себя рутинный анализ изображений и сокращает время исследования. Показательный пример — эхокардиография: алгоритмы по видеоряду автоматически измеряют параметры работы сердца и помогают выявлять патологию, например сердечную недостаточность или аритмию.

Учитывая последние тенденции и результаты, достигаемые посредством внедрения в медицину программ, разработанных на базе машинного обучения, было принято решение начать разработку программы для автоматического анализа изображений трансректального ультразвукового исследования на базе машинного обучения для диагностики рака предстательной железы.

Цель исследования: разработать программу, способную автоматически самостоятельно распознавать очаги в предстательной железе, подозрительные на рак.

Материал и метод

На первом этапе формировалась база данных, представляющая собой изображения, размеченные непосредственно во время проведения ультразвукового исследования, проводившегося на современном ультразвуковом аппарате.

База данных для обучения нейронной сети сформирована из изображений предстательной железы в аксиальной и сагиттальной плоскостях. Отобраны данные с подтвержденным морфологически раком предстательной железы различных стадий.

На втором этапе производилась обработка изображений с наложением маски с помощью интернет-платформы Roboflow.

На третьем этапе обработанные данные были отправлены IT-специалистам, которые производили обучение нейронной сети. Для обучения была выбрана нейронная сеть с архитектурой Unet ++.

Результаты

В настоящее время рано судить о чувствительности данного метода, поскольку для обучения нейронной сети требуется большой массив данных, разработанная же программа обучена на 130 изображениях. Но несмотря на небольшое количество изображений, получена программа, которая может обрабатывать ультразвуковые изображения в формате dicom, определять очаги, подозрительные на рак предстательной железы.

На данном этапе выработан алгоритм сбора изображений, который не требует дополнительного оборудования и специальных технических навыков специалиста в области ультразвуковой диагностики, за счет этого возможно увеличить в разы сбор данных путем привлечения сторонних экспертов в области диагностики рака предстательной железы. В перспективе разработанное приложение потенциально можно будет интегрировать непосредственно в ультразвуковой аппарат, что позволит улучшить качество диагностики и повысить выявляемость рака предстательной железы на этапе скрининга.

Заключение

Уже на 130 снимках нейросеть научилась находить на трансректальных изображениях очаги, подозрительные на рак предстательной железы. Это первый, но рабочий результат. Следующие шаги понятны: расширить обучающую выборку за счёт привлечения сторонних экспертов и встроить алгоритм прямо в ультразвуковой аппарат — чтобы подсказка появлялась у врача во время исследования, на этапе скрининга.

Литература

1. Sung H., Ferlay J., Siegel R.L. et al. Global cancer statistic 2020: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries // CA Cancer J Clin. 2021; 71 (3): 209–249.
2. Naji L., Randhawa H., Sohani Z. et al. Digital rectal examination for prostate cancer screening in primary care: a systematic review and meta-analysis // Ann Fam Med. 2018; 16 (2): 149–154.
3. Hayes J.H., Barry M.J. Screening for prostate cancer with the prostate-specific antigen test: a review of current evidence // JAMA. 2014; 311(11): 1143–1149.
4. Li H., Lee C.H., Chia D. et al. Machine Learning in Prostate MRI for Prostate Cancer: Current Status and Future Opportunities // Diagnostics (Basel). 2022; 12 (2): 289.
5. Ouyang D. et al. Video-based AI for beat-to-beat assessment of cardiac function // Nature. 2020; 580: 252–256.