Оценка перспектив использования технологий искусственного интеллекта для анализа КТ-изображений органов грудной клетки с целью выявления признаков злокачественных новообразований в легких

Цель исследования: проанализировать возможность применения технологий искусственного интеллекта в качестве системы поддержки принятия решения врачей-рентгенологов для выявления узлов в легких при КТ органов грудной клетки в обычное время и в условиях пандемии COVID-19 на примере системы Botkin.AI.

Материал и методы. Были выделены две группы исследований компьютерных томограмм органов грудной клетки: выполненные до (1-я группа) и во время пандемии COVID-19 (2-я группа). Каждая группа содержала анонимизированные данные КТ-исследований 150 пациентов. При исследовании компьютерных томограмм органов грудной клетки 2-й группы были выбраны те, на которых объем изменений, вызванных коронавирусом SARS-Cov2, не превышал 25%. Исследования были проанализированы системой искусственного интеллекта Botkin.AI на предмет наличия периферических легочных узлов размером более 6 мм с последующей “слепой” проверкой результатов анализа тремя врачами-рентгенологами.

Результаты. В 1-й группе чувствительность метода составила 1,0, специфичность – 0,88 и AUC – 0,94, во 2-й группе – 0,93, 0,81 и 0,86 соответственно.

Во 2-й группе небольшое снижение специфичности связано преимущественно с увеличением ложноположительных результатов в виде множественных уплотнений легкого, как проявления коронавирусного поражения легких, принятых моделью искусственного интеллекта за легочные узлы.

Заключение. Платформа обладает высокой точностью обнаружения легочных узлов на компьютерных томограммах органов грудной клетки как в исследованиях, проведенных до, так и во время пандемии COVID-19. Ее использование может быть полезным для предотвращения возможных пропусков важных находок в условиях повышенной нагрузки на врачей-рентгенологов.

1. MacMahon H., Naidich D.P., Goo J.M., et al. Guidelines for Management of Incidental Pulmonary Nodules Detected on CT Images: From the Fleischner Society 2017. // Radiology. 2017. Vol. 284, N 1. P. 228-243. DOI: 10.1148/radiol.2017161659

2. Каприн, А.Д., Старинский, В.В., Петрова Г.В. Злокачественные новообразования в России в 2018 году (заболеваемость и смертность). Москва: МНИОИ им. П.А. Герцена, 2019. 250 с.

3. Каприн А.Д., Старинский В.В. Состояние онкологической помощи населению России в 2019 году. Москва: МНИОИ им. П.А. Герцена, 2020. 239 с.

4. Sung H., Ferlay J., Siegel R.L., et al. Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries. // A Cancer Journal for Clinicians.2021. Vol. 71, N 3.P. 209-249. DOI: 10.3322/caac.21660

5. Bruno M.A., Walker E.A., Abujudeh H.H. Understanding and Confronting Our Mistakes: The Epidemiology of Error in Radiology and Strategies for Error Reduction. // Radiographics. 2015. Vol. 35, N 6. P. 1668-1676. DOI: 10.1148/rg.2015150023

6. Shi J., Giess C.S., Martin T., et al. Radiology Workload Changes During the COVID-19 Pandemic: Implications for Staff Redeployment. // Academic Radiology. 2021. Vol. 28, N 1. P. 1-7. DOI: 10.1016/j.acra.2020.09.008

7. Pinsky P.F. Lung cancer screening with low-dose CT: a world-wide view. // Translational Lung Cancer Research. 2018. Vol. 7, N 3. P. 234–242. DOI: 10.21037/tlcr.2018.05.12

8. Liu B., Quan X., Xu C., et al. Lung cancer in young adults aged 35 years or younger: A full-scale analysis and review. // Journal of Cancer 2019. Vol. 10, N 15. P. 3553-3559. DOI: 10.7150/jca.27490

9. Strand T.E., Malayeri C., Eskonsipo P.K., et al. Adolescent smoking and trends in lung cancer incidence among young adults in Norway 1954-1998. // Cancer Causes Control. 2004. Vol. 15, N 1. P. 27-33. DOI: 10.1023/b:caco.0000016575.31651.b0

10. Kilsdonk I.D., de Roos M.P., Bresser P., Reesink H, Peringa J. Frequency and spectrum of incidental findings when using chest CT as a primary triage tool for COVID-19. // European Journal of Radiology Open. 2021. 8:100366. DOI: 10.1016/j.ejro.2021.100366

11. Drokin I., Ericheva E. End-to-End Lung Nodule Detection Framework with Model-Based Feature Projection Block. // Machine Learning in Medical Imaging. 2021. Vol. 12966. P. 91-100. DOI: 10.1007/978-3-030-87589-3_10

12. Drokin I., Ericheva E. Deep Learning on Point Clouds for False Positive Reduction at Nodule Detection in Chest CT Scans. // Lecture Notes in Computer Science. 2021. Vol 12602. P. 201-215. DOI: 10.1007/978-3-030-72610-2_15

13. Bankier A, MacMahon H, Goo J, et al. Recommendations for Measuring Pulmonary Nodules at CT: A Statement from the Fleischner Society. // Radiology. 2017. Vol. 285, N 2. P. 584-600. DOI: 10.1148/radiol.2017162894.

14. Kazerooni E., Aberle D.R., Black W.C. Lung-RADS v1.1 Assessment Categories. American College of Radiology. 2019.

15. Pedregosa F., Gaël V., Gramfort A. et al. Scikit-learn: Machine Learning in Python. The Journal of Machine Learning Research. 12(85):2825−2830, 2011

16. Морозов С.П., Владзимирский А.В., Кляшторный В.Г. Клинические испытания программного обеспечения на основе интеллектуальных технологий (по специализации «Лучевая диагностика») Москва, 2019г.

17. Li R., Xiao C., Huang Y. et al. Deep Learning Applications in Computed Tomography Images for Pulmonary Nodule Detection and Diagnosis: A Review. Diagnostics (Basel). 2022; 12 (2): 298. https://doi.org/10.3390/diagnostics12020298

18. Setio A.A.A., Traverso A., de Bel T. et al. Validation, comparison, and combination of algorithms for automatic detection of pulmonary nodules in computed tomography images: The LUNA16 challenge. Med. Image Anal. 2017; 42: 1–13. https://doi.org/10.1016/j.media.2017.06.015

19. Kooi T., Litjens G., van Ginneken B. et al. Large scale deep learning for computer aided detection of mammographic lesions. Med. Image Analysis. 2017; 35: 303–312. https://doi.org/10.1016/j.media.2016.07.007

20. Zhang Y., Yang W., Dong Liu et al. COVID-19 and earlystage lung cancer both featuring ground-glass opacities: a propensity score-matched study. Translat. Lung Cancer Res. 2020; 9 (4): 1516–1527. https://doi.org/10.21037/tlcr-20-892

21. Perdigón Martinelli C., Morell C., González C., NovaLozano C. Metastatic pulmonary dissemination as differential diagnosis of COVID-19 disease. BMJ Case Rep. 2020; 13 (10): e237453. https://doi.org/10.1136/bcr-2020237453