Сучасні можливості автоматизованого виявлення каменів у нирках за допомогою фронтальних КТ-зображень

Системи комп’ютерної діагностики – це практичні підходи, які можна використовувати як допоміжні інструменти для клінічних обстежень. У статті представлена автоматизована модель виявлення каменів у нирках за допомогою зображень комп’ютерної томографії (КТ) у фронтальній проекції з використанням техніки глибинного навчання, яка нещодавно досягла значного прогресу в галузі штучного інтелекту. Розроблена модель показала точність 96,82% під час оцінки 1799 КТ-зображень для виявлення каменів у нирках. Популярні методи глибинного навчання можна використовувати для вирішення й інших складних проблем в урології.

Ключові слова: камені в нирках, медична візуалізація, глибинне навчання, комп’ютерна томографія.

Сечокам’яна хвороба є однією з найпоширеніших патологій, що зустрічається у різних країнах із частотою від 1 до 20% [1, 2]. Камені в нирках можуть призвести до ниркової недостатності, втрати працездатності через вплив сильного болю та зниження якості життя у зв’язку з виникненням обструкції сечовидільних шляхів [3, 4]. Вибір правильної методики візуалізації для виявлення каменів у нирках є першим кроком у діагностиці захворювання [7]. При хворобах сечовидільної системи застосовують ультразвукову діагностику (УЗД), оглядову рентгенографію нирок, сечоводу й сечового міхура та безконтрастну комп’ютерну томографію (КТ). Остання стала стандартним методом діагностики гострого болю в боку [1].

Різні види медичної візуалізації, такі як магнітно-резонансна томографія (МРТ), КТ та рентген, були використані для розробки точних і надійних моделей глибинного навчання (ГН), щоб допомогти в діагностуванні таких захворювань, як COVID-19, серцева аритмія, рак передміхурової залози, пухлина мозку, рак шкіри та молочної залози [9-19]. Методи ГН також використовуються в урології для автоматизованого виявлення каменів у сечоводі та нирках.

У дослідженні була розроблена модель за допомогою технік ГН, що мають на меті запобігти нерезультативній, хибній діагностиці (пропущені камені на КТ-зображеннях) та звести до мінімуму помилки, викликані лікарем. Окрім знаходження каменів запропонована модель також може фокусуватися на ділянці візуалізації їх у нирках на КТ-зображенні. Тому модель має два різних завдання: виявлення та локалізація.

Мета – дослідити ефективність роботи створеної автоматичної моделі, продемонструвати результативність впровадження ГН для автоматизованої класифікації випадків каменів у нирках за допомогою КТ-зображень.

Пацієнти та методи

Для проведення дослідження були відібрані зображення безконтрастної КТ пацієнтів віком 18-80 років із сечокам’яною хворобою у лікарні Elazig Fethi Sekin City Hospital (Туреччина). У випробуванні пацієнти з каменями у нирках (n=278, 790 знімків) вважалися досліджуваною групою, а контрольну групу склали особи без даної патології (n=165, 1009 знімків). ГН – це різновид штучного інтелекту, який нещодавно показав видатні досягнення у різних галузях. У цій роботі використовували модель перехресно-залишкової мережі для визначення каменів у нирках – XResNet-50 [25]. Для налаштування параметрів даного апарата використовували алгоритм оптимізації Adam [27] та перехресні втрати ентропії.

Результати

Дослідження складалось із двох етапів: під час тренувальної фази були використані 1453 (80%) КТ-зображення, а наступним кроком була перевірка із залученням решти 346 (20%) знімків. Автоматизована модель правильно передбачила камені в нирках у 158 зображеннях, однак визначила 7 зображень каменів серед представників контрольної групи. Крім того, модель правильно класифікувала 177 зображень без патології, проте неправильно відзначила 4 нормальні знімки: верхівка ребра, тісно пов’язана з нижнім полюсом нирки, що входить до досліджуваної зони перерізу, могла призвести до помилкового виявлення каменів у нирці.

Для евалюації ефективності використали показники точності, повноти та оцінку F-1. Точність вказувала на правильну частоту прогнозування випадків каменів у нирках, повнота відмічала, наскільки точно випадки передбачаються правильно, а оцінка F-1 являла собою середнє гармонічне значення цих критеріїв. У результаті модель ГН показала 96,82% точності та 95,76% чутливості.

Хоча значення точності, отримані моделями ГН, є важливими показниками продуктивності вимірювання, важливо знати, які критерії створила глибинна модель завдяки структурі «чорного ящика». Таким чином можна створювати більш надійні моделі та використовувати їх у медичних програмах. Останнім часом проводяться інтенсивні дослідження для визначення галузей із метою впровадження моделі ГН. Авторами була застосована програма Grad-CAM [28] для пошуку ділянок тіла, на яких може бути зосереджена автоматизована модель, щоб отримати найвищу ефективність класифікації.

На рисунку видно, як автоматизована модель зосереджується на певній ділянці для пошуку каменів у нирках. Червоні стрілки були використані експертами, щоб показати камені на зображеннях для порівняння із результатом техніки ГН.

Рис. Зразки тестових зображень ділянок, на яких зосереджена модель ГН для діагностики каменів (червоні стрілки були використані експертами для відображення каменів на знімках)

Обговорення

У ході дослідження використані фронтальні КТ-зображення включали ділянки живота, таза, частини грудної клітки та нижніх кінцівок. Тобто ниркова тканина становила невелику частину досліджуваної зони. Незважаючи на це автоматизована модель ГН точно виявила випадки з невеликими розмірами каменів у нирках із чутливістю та специфічністю 95 і 97% відповідно.

Evgeniya et al. відзначили, що радіологи роблять більше статистично значущих помилок, коли швидко дають висновки до знімків. Було продемонстровано, що 10% рентгенологів пропустили суттєві дані, коли у їхньому розпорядженні було приблизно 10 хв для скринінгу КТ-зображення черевної порожнини. У випадках скорочення часу скринінгу до 5 хв помилки зростали до 26% [23].

Загальновідомо, що у клінічній радіологічній практиці допускається приблизно 4% помилок [29]. Враховуючи, що у світі щорічно виконується понад 1 млрд радіологічних оцінювань, можна констатувати, що пацієнтам за рік може бути видано близько 40 млн хибних висновків [30, 31]. Отже, кожен знімок оцінюється двома незалежними рентгенологами, щоб значно зменшити частоту помилок [32]. Однак це іноді важко реалізувати через нестачу рентгенологів та вартість оцінки [30]. Тому такі точні автоматизовані моделі ГН можна використовувати для заміни одного з рентгенологів із метою отримання другого незалежного висновку.

Запропонована модель є клінічно надійним діагностичним інструментом. Вона позначає ділянки з каменями на КТ-зображеннях без необхідності будь-якого процесу сегментації. Важливою перевагою моделі у цьому дослідженні є те, що вона забезпечує автоматичне виявлення та візуальну інформацію про локалізацію каменів. Єдиним обмеженням виконаної роботи є те, що досліджувані знімки були зібрані лише в одній лікарні. Тому в майбутньому автори планують збирати зображення з різних джерел, а також оцінити метод за допомогою КТ-зображень в осьовій та сагітальній площинах. Також вчені ставлять собі за мету в наступних дослідженнях спробувати класифікувати камені з позначенням їх розмірів.

Список літератури знаходиться в редакції.

За матеріалами: Yildirim K. et al. Deep learning model for automated kidney stone detection using coronal CT images (2021). 

Підготувала Єлизавета Лисицька

Тематичний номер «Урологія. Нефрологія. Андрологія» № 4 (25), 2021 р.