Аннотация: В статье исследуются особенности применения радиомики в диагностике и лечении мочекаменной болезни. Область исследования – методика анализа КТ-изображений, содержащих признаки мочекаменной болезни, с применением радиомики. Рассматриваются преимущества и ограничения применения радиомики в данном контексте. Исследуется влияние радиомики на состояние здоровья и качество жизни лиц, страдающих мочекаменной болезнью. Большинство современных исследования рассматривают возможность применение искусственного интеллекта при диагностике и лечении мочекаменной болезни, а именно – применение радиомики.
В настоящий момент машинное обучение в процессе радиомики чаще всего основано на небольшой выборке данных, и с этим связаны ограничения данного метода в диагностике и лечении мочекаменной болезни. В связи с этим, для повышения прогностического потенциала радиомики представляется необходимым усовершенствование диагностического алгоритма и применение больших данных, основанных на гетерогенных показателях.
Ключевые слова: радиомика, лечение, диагностика, мочекаменная болезнь, медицина
Radiomics application
in diagnostics and treatment of urolithiasis
Abstract: The article studies the peculiarities of radiomics application in diagnostics and treatment of urolithiasis. The field of study is a technique for analyzing CT images containing evidence of urolithiasis using radiomics.The advantages and limitations of radiomics application in this context are considered. The influence of radiomics on the state of health and quality of life of persons suffering from urolithiasis is investigated. Most current research is considering the use of artificial intelligence in the diagnosis and treatment of urolithiasis, namely the use of radiomics. Currently, machine learning in the process of radiomics is most often based on a small sample of data, and with this are associated with the limitations of this method in the diagnosis and treatment of urolithiasis. In this regard. To improve the prognostic potential of radiomics, it seems necessary to improve the diagnostic algorithm and to apply big data based on heterogeneous indices.
Keywords: radiomics, treatment, diagnostics, urolithiasis, medicine
Введение
Статистика заболеваемости мочекаменной болезни в 2020 – 2023 гг. свидетельствует о том, что данное заболевание является широко распространенным в России. Вероятными причинами являются неправильное питание, малоподвижный образ жизни, вредные привычки граждан России, а также нежелание граждан России обращаться к врачам при первых симптомах заболевания. Источником информации послужили официальные статистические сборники Минздрава России и ФГБУ «ЦНИИОИЗ» Минздрава России по Российской Федерации и отдельно по субъектам РФ за период 2021-2022 гг.
Среди взрослого населения России общая заболеваемость мочекаменной болезнью в 2021 – 2022 гг. повысилась на 7,69% (с 12 949,80 до 11 953,70 случаев на 100 тыс.), а первичная заболеваемость – на 20,62% (с 4 968,50 до 3 943,90 случаев на 100 тыс.) с 2015 по 2021 гг. В связи с этим актуальным представляется проблема внедрения инновационных методов диагностики и лечения рассматрвиаемого заболевания.
Для того, чтобы снизить темпы распространения данной болезни, представляется необходимым использовать современные методы диагностики и лечения с использованием искусственного интеллекта. Целью обзора является исследование возможностей применения радиомики при диагностике и лечении мочекаменной болезни.
Материалы и методы
Метод исследования – обзор медицинской литературы, опубликованной в 2013 – 2023 году. Обзор был выполнен в сентябре – октябре 2023 года. При составлении библиографии применялись базы данных информационно-аналитических систем Scopus и MEDLINE. При разработке стратегии поиска информации применялись критерии PICO (Пациент – Вмешательство – Сравнение – Исход). Для составления библиографического списка использовались ключевые слова и фразы «радиомика», «искусственный интеллект», «диагностика», «мочекаменная болезнь», «урология».
В ходе исследования методом сплошной выборки было отобрано 123 научных публикации на основании следующих критериев включения: наличие полного текста статьи, оригинальный (не переводной) текст, тема статьи – использование радиомики при диагностике и лечении мочекаменной болезни. Критерии исключения: публикация представляет собой обзор литературы, главу из книги, перевод оригинальной статьи, написанной на другом языке. После того, как был выполнен скрининг на соответствие критериям, было оставлено 7 публикаций. Их краткая характеристика представлена в Таблице 1.
Таблица 1 – Краткая характеристика ключевых исследований по применению радиомики в диагностике и лечении мочекаменной болезни
| Авторы | Цель исследования | Материалы исследования |
| Борисов Д.Д. и соавт. | Исследовать возможности применения искусственного интеллекта при организации лечебно-диагностических мероприятий. | 258 КТ-снимков |
| Goyen M, | Исследовать возможности радиогеномной визуализации в контексте диагностической визуализации и молекулярной диагностики | 367 историй болезни |
| Hamid A. и соавт. | Провести предварительное исследование возможности применения искусственных нейронных сетей в прогнозировании оптимальной фрагментации почечных камней | 286 КТ-снимков |
| Ishioka J. и соавт. | Исследовать потенциал компьютерной диагностики с использованием нейросетевого алгоритма для автоматического обнаружения камней в мочевыводящих путях | 507 историй болезни |
| Rosenstein B.S. и соавт. | Исследовать возможности применения радиомики и больших данных при диагностике заболеваний мочеполовой системы | 409 КТ-снимков |
| Safdar O. и соавт. | Исследовать распространенность мочекаменной болезни в Саудовской Аравии и в мире и наиболее распространенные методы диагностики данного заболевания | 309 историй болезни |
| Yamamoto S. и соавт. | Исследовать возможности применения радиогеномного анализа при диагностике заболеваний мочевыводящих путей | 327 КТ-снимков |
Анализ основных теоретических подходов к радиомике
Для диагностики мочекаменной болезни могут применяться радиологические исследования. Цель радиологического исследования заключается в том, чтобы исследовать изображение, полученное при помощи излучения, и сделать вывод о наличии или отсутствия той или иной патологии в организме человека. Данный подход применяется с самого начала формирования радиологии как науки. Тем не менее, как полагает Д.Д. Борисов и соавт., у него имеются некоторые ограничения. В связи с этим, в 2012 году исследователи разработали принципиально новый подход к анализу КТ-снимков, кардинально изменивший весь процесс диагностики заболевнаий по рентгеновским снимкам. Данный подход опирается на данные радиологии, математической статистики и компьютерных наук и имеет название радиомика. В настоящий момент радиомика успешно применяется для лечения и диагностики большого количества заболеваний, включая такое распространенное и серьезное заболевание, как мочекаменная болезнь [1].
Основные принципы радиомики, как считает M. Goyen, основаны на том, что в рентгеновских снимках содержится скрытая информация. Извлечь и использовать ее можно, если использовать математические преобразования при обработке полученных изображений. Результаты этих трансформаций, или признаки изображений, коррелируют с изменениями, которые указывают на возможное наличие патологий, характерных для мочекаменной болезни. Тем не менее, на изображениях эти признаки патологии не видны. Для того, чтобы лучше понять особенности протекания мочекаменной болезни в каждом конкретном случае, требуется знание патофизиологических свойств. В этом случае специалист, проанализировав снимки, может подобрать оптимальную тактику и стратегию лечения [2].
В настоящий момент радиомика, по мнению Hamid et al., представляется одним из наиболее эффективных методов лечения и диагностики мочекаменной болезни. Например, при помощи радиомики можно точно определить размер и местонахождение камней в мочевом пузыре и выбрать медикаментозное или оперативное лечение, в зависимости от конкретной ситуации. В данном случае основная функция радиомики заключается в том, чтобы предсказать микроскопические параметры исследуемых камней из макроскопического изображения изучаемого объекта – мочевого пузыря. Образно можно сравнить данный процесс с попыткой предсказать химический состав песка, опираясь на снимок песчаного холма [3].
Этапы диагностики мочекаменной болезни при помощи радиомики
При помощи радиомики можно создать математическую модель и компьютерный алгоритм, принимающий на вход медицинское изображение (КТ-снимок мочевого пузыря) и выдающий патофизиологические особенности исследуемого органа. Для создания данной модели необходимо последовательно пройти несколько этапов.
- J. Ishioka et al. [4] выделяют четкую поэтапную структуру диагностики мочекаменной болезни при помощи радиомики. Прежде всего, при диагностике мочекаменной болезни при помощи радиомики требуется четкая формулировка клинической задачи. Необходимо четко сформулировать то, что именно необходимо предсказать из получаемого изображения. В нашем случае это очаги воспаления, свидетельствующие о развитии мочекаменной болезни для того, чтобы выбрать оптимальную тактику лечения заболевания, оценить степень восприимчивости пациента к конкретному препарату или предсказать вероятные побочные эффекты, которые могут возникнуть у пациента в ходе терапии.
Следующий этап – это подготовка данных. Для этого требуется собрать базу данных медицинских изображений, имеющих отношение к диагностике мочекаменной болезни. В частности, в базу данных могут входить КТ-снимки пациентов, по отношению к которым применялось оперативное или консервативное лечение. При этом про каждого пациента должна быть информация относительно результативности лечения.
Следующим этапом является разметка данных. На данном этапе на каждом изображении, отобранном для базу данных, необходимо выделить и обвести область воспаления в мочевом пузыре, для которой потом будут рассчитываться признаки. Чаще всего это область, в которой локализуются камни. Данный этап является довольно трудоемким и требует много времени. Несмотря на то, что методы компьютерного зрения стремительно развиваются, разметка медицинских изображений по-прежнему остается довольно сложной задачей, не решенной до конца [4].
На следующем этапе для каждой области, выделенной на каждом отобранном изображении, происходит расчет разнообразных признаков данных изображений. В настоящий момент существует большое количество различных признаков мочекаменной болезни, но условно все они могут быть поделены на несколько категорий.
Признаки формы, по мнению J. Ishioka et al., используют для характеристики геометрических особенностей исследуемых очагов воспаления и камней. К данным признакам можно отнести объем очага воспаления, размер и площадь камней в мочевом пузыре, их сферичснокть и компактность, а также взаимное расположение камней по отношению друг к другу. Гистограммные признаки – это признаки первого порядка. С их помощью можно описать статистические характеристики пикселей выделенной области – очага воспаления. В частности, к таким признакам можно отнести медиальное значение интенсивности в выделенной области, минимальное и среднее значение, асимметрия распределения камней в мочевом пузыре, а также среднеквадратичное отклонение от среднего значения [4].
Текстурные признаки – это признаки второго порядка. Они используются для того, чтобы описать, как коррелируют между собой значения соседних пикселей, а также для описания степени однородности очага воспаления. Например, если корреляция интенсивности соседних пикелей будет высокой, текстура будет визуально «гладкой», а если корреляция будет низкой, выделенный очаг воспаления будет выглядеть «шероховатым».
Признаки более высокого порядка используются для описания статистических характеристик изображений, которые были получены из исходных изображений через использование разнообразных математических операций, таких как преобразования Фурье, а также через использование разнообразных фильтров.
Признаки, которые были получены при помощи машинного обучения, не задаются вручную, они автоматически подбираются при помощи автоматических алгоритмов. Полученные признаки могут использоваться для того, чтобы построить прогностическую модель лечения болезни, при этом целью является предсказание той переменной величины, которая интересует нас. Чаще всего при диагностике мочекаменной болезни в радиомике используются регрессии, нейронные сети, разнообразные типы решающих деревьев.
Далее, по мнению J. Ishioka et al., из всего множества признаков, которые были рассчитаны, выбираются информативные признаки, коррелирующие с искомой величиной. Неинформативные признаки игнорируются. Для обработки данных применяются методы математической статистики, в частности, корреляционный анализ. Благодаря игнорированию признаков, не имеющих информативности, результаты прогнозов отличаются стабильностью, при этом случайные помехи не влияют на принимаемое решение о тактике лечения мочекаменной болезни [4].
Rosenstein et al. рассматрвиает основные принципы построения математической модели при использовании радиомики в ходе диагностики лечения мочекаменной болезни. На основании полученных признаков можно построить математическую модель, при помощи которой предсказывается восприимчивость пациента к оперативному или консервативному лечению, а также вероятность того, что лечение вызовет побочные эффекты или осложнения. Для этого применяются методы машинного обучения. Вбирается наиболее подходящая модель, в качестве такой модели может выступать дерево решений или линейная регрессия. Далее происходит обучение выбранной модели – параметры модели варьируются таким образом, чтобы до максимума увеличить точность выдаваемых предсказаний. После того, как процесс обучения закончен, происходит фиксация значений параметров модели, далее модель используется для прогностической деятельности. Для того, чтобы использовать созданную модель, требуется обследовать пациента и получить медицинские изображения. Далее выполняется разметка интересующей области, на этой области происходит подсчет признаков, признаки загружаются в ту модель, которая уже была обучена. В качестве результата процесса рассматривается значение желаемой характеристики. Его можно использовать при выборе той или иной тактики лечения мочекаменной болезни [5].
Внедрение радиомики в современную медицинскую практику
- O. Safdar et al. исследуют возможности практического применения радиомики в ходе диагностики и лечения исследуемого заболевания. Лечение мочекаменной болезни – одно из наиболее распространенных направлений применения радиомики. При помощи радиомики можно выполнить быструю, точную, неинвазивную диагностику камней и очагов воспаления в мочевом пузыре. Данную методику предложили сотрудники научно-исследовательской лаборатории компании Philips, она была разработана в партнерстве в медиками из крупных американских медицинских центров [6].
Лаборатория Philips Research представляет собой глобальную сеть лабораторий для научных исследований, в 2017 году ее филиал был открыт в России, в Сколково. В частности, данная лаборатория специализируется на использовании искусственного интеллекта в сфере радиологии.
Мочекаменная болезнь – одно из наиболее распространенных заболеваний. Следует отметить, что у данной болезни имеется длительный период скрытого протекания, когда какие-либо симптомы мочекаменной болезни отсутствуют, и человек может не знать о том, что он болен, до тех пор, пока болезнь не начнет стремительно прогрессировать.
Оптимальное решение этой проблемы, как полагает O. Safdar et al. — программа скрининга граждан из групп риска. Введение такой программы увеличит количество рутинных обследований и объем работы, возлагаемой на врачей-радиологов. В работе предложен подход, состоящий из двух последовательных шагов и позволяющий автоматизировать процесс обработки КТ-изображений, получаемых в рамках скрининговых программ [6].
Цель первого шага — обнаружение камней в мочевом пузыре и очагов воспаления на КТ-снимках. На втором шаге обученная нейронная сеть анализирует каждый камень и очаг воспаления, обнаруженный у конкретного пациента, и выдает заключение с оценкой вероятности благоприятного или неблагоприятного исхода заболевания. На данном этапе представляется важным оценить площадь и расположение камней и выбрать наиболее подходящую стратегию лечения – оперативную или консервативную. Единичные камни небольшого размера можно не трогать, а лишь наблюдать у врача. Они легче поддаются лечению и достаточно медленно растут.
Для определения стратегии и тактики лечения мочекаменной болезни нейронная сеть использует сведения о размерах, текстуре и положении каждого из камней. При этом набор признаков не задавался авторами, а был выведен нейронной сетью в процессе обучения на основе анализа массива разнообразных медицинских изображений. Авторы показали, что точность заключений предложенного подхода не хуже, чем у опытных врачей-радиологов.
- S. Yamamoto et al. полагают, что также радиомика может быть полезна для определения стратегии и тактики лечения мочекаменной болезни по медицинским изображениям. Авторы исследования воспользовались открытым датасетом медицинских изображений, из которого выбрали более 300 случаев мочекаменной болезни. Для каждого снимка рассчитали признаки формы, первого и второго порядков, также применили вейвлет-преобразование. Затем на основе полученных признаков и опорных векторов обучили классификатор, который предсказывал вероятность благоприятного исхода при оперативном и консервативном лечении [7].
На первом этапе построения компьютерного алгоритма проводится процесс отбора изображений и выделение интересующей области (сегментация), на втором — по выделенной области рассчитываются ее признаки, на третьем — проводится статистический анализ полученных признаков, а на четвертом этапе выполняется обучение алгоритма машинного обучения и оценка его точности. Предложенный подход показал высокую чувствительность (87%) и специфичность (89%) [7].
Заключение
Обнадеживающие результаты позволяют надеяться, что в скором времени радиомика станет важным диагностическим средством радиологии и будет активно использоваться при диагностике и лечении мочекаменной болезни в российских учреждениях здравоохранения. На ее основе можно организовывать целые скрининговые программы: проводить КТ гражданам из групп риска и предоставлять алгоритмам анализ снимков.
Таким образом, специалистам не придется оценивать все изображения вручную — а значит, на это будет уходить меньше времени, снизится вероятность врачебной ошибки, медики будут избавлены от возможного профессионального выгорания.
Алгоритм разделит людей, прошедших скрининг, на потоки, позволит понять, у кого из них есть вероятность наличия мочекаменной болезни, а у кого патологии нет. Разумеется, основная польза от таких программ — не столько для врачей, сколько для пациентов: с их помощью заболевание обнаруживается на ранней стадии, что в случае с мочекаменной болезнью часто становится залогом успеха лечения.
Литература
- Борисов Д.Д., Кульнев С.В., Севрюков В.В. Применение искусственного интеллекта при организации лечебно-диагностических мероприятий. Известия российской военно-медицинской академии 2019;38(4):122-125.
- Goyen M. Radiogenomic imaging-linking diagnostic imaging and molecular diagnostics // World. J. Radiol. 2014. V. 6. № 8. P. 519-522.
- Hamid A, Dwivedi US, Singh TN, Kishore MG, Mahmood M, Singh H. Artificial neural networks in predicting optimum renal stone fragmentation by extracorporeal shock wave lithotripsy: a preliminary study. BJU Int 2013;91(9):821-4.
- Ishioka J, Kobayashi M, Okuno T, et al. Computer-aided diagnosis with a convo-lutional neural network algorithm for automated detection of urinary tract stones using kub. J Urol 2019;201(4):e845.
- Rosenstein B.S., Catharine M., West C.W., Bentzen S.M., Alsner J. et al. Radiogenomics: radiobiology enters the era of big data and team science // Int. J. Radiation Oncol. Phys. 2014. V. 89. № 4. P. 709713.
- Safdar OY, Alzahrani WA, Kurdi MA, Ghanim AA, Nagadi SA, Alghamdi SJ, Zaher ZF, Albokhari SM. The prevalence of renal stones among local residents in Saudi Arabia. J Family Med Prim Care 2021 Feb;10(2):974-977. https://doi.org/10.4103/jfmpc.jfmpc_262_20.
- Yamamoto S., Maki D.D., KornR.L., KuoM.D. Radiogenomic analysis of urolithiasis using MRI: a preliminary study to define the landscape // Am. J. Roentgenol. 2013. V. 199. № 3. P. 654-663.