Автоматизированная морфометрия предстательной железы по данным магнитно-резонансной томографии

Обложка

Цитировать

Полный текст

Аннотация

Обоснование. В рамках внедрения инновационных технологий в области компьютерного зрения для анализа медицинских изображений и дальнейшего применения этих технологий в системе здравоохранения города Москвы проведено исследование инструмента на основе искусственного интеллекта (ИИ-сервис) для автоматизации морфометрии предстательной железы по магнитно-резонансным томограммам (МРТ). В отличие от 11 предыдущих систем, ориентированных на ретроспективный анализ, данное решение помогает рентгенологам сократить время описания исследований и повысить их точность. Цель исследования — оценить качество и достоверность автоматической морфометрии предстательной железы на результатах МРТ с помощью технологий искусственного интеллекта в условиях практического здравоохранения. Методы. Проспективное диагностическое исследование в соответствии с методологией репортирования результатов научных исследований диагностических тестов STARD 2015 проведено в период с апреля по октябрь 2024 года. Использованы 560 результатов МРТ, сопоставленных с данными морфометрического ИИ-сервиса. Результаты. Оценена точность ИИ-сервиса для морфометрии предстательной железы. Проведено 7 клинических мониторингов на 560 МРТ с полным соответствием в 71,6%. Ложноотрицательные случаи составили 3,9%, технические дефекты — 3,8%. Интегральная клиническая оценка достигла 88,0–97,0%, подтверждая высокое качество диагностики. Преобладали ошибки в оконтуривании железы (52%) и неправильные измерения (13%), часто связанные с пролабированием верхушки предстательной железы. Заключение. Автоматизация рутинных измерений вносит существенный вклад в стандартизацию процессов описания результатов лучевых методов исследований. Особо важен этот аспект с точки зрения обеспечения преемственности медицинской помощи при обращении пациента в различные медицинские организации. Технологии искусственного интеллекта для автоматизации измерений предстательной железы показали высокую клиническую оценку в 92,0%, что свидетельствует об их точности и качестве. Эти данные могут быть использованы для разработки новых продуктов автоматизированной морфометрии на основе МРТ.

Об авторах

Нелли Маратовна Насибян

Научно-практический клинический центр диагностики и телемедицинских технологий

Автор, ответственный за переписку.
Email: nelli-nasibyan94@yandex.ru
ORCID iD: 0009-0004-4620-6204
SPIN-код: 4936-2738
Россия, 127051, Москва, ул. Петровка, д. 24, стр. 1

Антон Вячеславович Владзимирский

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: VladzimirskijAV@zdrav.mos.ru
ORCID iD: 0000-0002-2990-7736
SPIN-код: 3602-7120

д-р мед. наук

Россия, 127051, Москва, ул. Петровка, д. 24, стр. 1

Кирилл Михайлович Арзамасов

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: ArzamasovKM@zdrav.mos.ru
ORCID iD: 0000-0001-7786-0349
SPIN-код: 3160-8062

канд. мед. наук

Россия, 127051, Москва, ул. Петровка, д. 24, стр. 1

Список литературы

  1. Васильев Ю.А., Владзимирский А.В., Омелянская О.В., и др. Обзор метаанализов о применении искусственного интеллекта в лучевой диагностике // Медицинская визуализация. 2024. Т. 28, № 3. С. 22–41. [Vasiliev YuA, Vladzymyrskyy AV, Omelyanskaya OV, et al. Review of meta-analyses on the use of artificial intelligence in radiology. Medical visualization. 2024;28(3):22–41]. doi: 10.24835/1607-0763-1425 EDN: QYASNZ
  2. Kelly BS, Judge C, Bollard SM, et al. Radiology artificial intelligence: a systematic review and evaluation of methods (RAISE). Eur Radiol. 2022;32(11):7998–8007. doi: 10.1007/s00330-022-08784-6
  3. Hosny A, Parmar C, Quackenbush J, et al. Artificial intelligence in radiology. Nat Rev Canc. 2018;18(8):500–510. doi: 10.1038/s41568-018-0016-5
  4. Katzman BD, van der Pol CB, Soyer P, Patlas MN. Artificial intelligence in emergency radiology: A review of applications and possibilities. Diagn Interv Imaging. 2023;104(1):6–10. doi: 10.1016/j.diii.2022.07.005
  5. Ваньков В.В., Артемова О.Р., Карпов О.Э., и др. Итоги внедрения искусственного интеллекта в здравоохранении России // Врач и информационные технологии. 2024. № 3. С. 32–43. [Vankov VV, Artemova OR, Karpov OE, et al. Results of the implementation of artificial intelligence in the Russian healthcare. Medical doctor and information technology. 2024;(3):32–43]. doi: 10.25881/18110193_2024_3_32 EDN: TIASHB
  6. Гусев А.В., Артемова О.Р., Васильев Ю.А., Владзимирский А.В. Внедрение медицинских изделий с технологиями искусственного интеллекта в здравоохранении России: итоги 2023 г. // Национальное здравоохранение. 2024. Т. 5, № 2. С. 17–24. [Gusev AV, Artemova OR, Vasiliev YuA, Vladzymyrskyy AV. Integration of ai-based software as a medical device into Russian healthcare system: Results of 2023. National Health Care (Russia). 2024;5(2):17–24]. doi: 10.47093/2713 EDN:
  7. Владзимирский А.В., Васильев Ю.А., Арзамасов К.М., и др. Компьютерное зрение в лучевой диагностике: первый этап Московского эксперимента. 2-е изд. Москва: Издательские решения, 2023. 388 с. [Vladzimirsky AV, Vasiliev YA, Arzamasov KM, et al. Computer vision in radiation diagnostics: The first stage of the Moscow experiment. 2nd ed. Moscow: Izdatel’skie resheniya; 2023. 388 р. (In Russ.)]. EDN: FOYLXK
  8. Аполихин О.И., Сивков А.В., Комарова В.А., Никушина А.А. Болезни предстательной железы в Российской Федерации: статистические данные 2008-2017 гг. // Экспериментальная и клиническая урология. 2019. № 2. С. 4–13. [Apolikhin OI, Sivkov AV, Komarova VA, Nikushina AA. Prostate diseases in the Russian Federation: Statistical data for 2008-2017. Experimental & clinical urology. 2019;(2):4–13]. doi: 10.29188/2222-8543-2019-11-2-4-12 EDN: DHXMJP
  9. Chen J, He L, Ni Y, et al. Prevalence and associated risk factors of prostate cancer among a large Chinese population. Sci Rep. 2024;14(1):26338. doi: 10.1038/s41598-024-77863-z
  10. Tan EH, Burn E, Barclay NL, et al.; OPTIMA Consortium. Incidence, prevalence, and survival of prostate cancer in the UK. JAMA Network Open. 2024;7(9):e2434622. doi: 10.1001/jamanetworkopen.2024.34622
  11. Fernandes MC, Yildirim O, Woo S, et al. The role of MRI in prostate cancer: Current and future directions. Magma (New York). 2022;35(4):503–521. doi: 10.1007/s10334-022-01006-6
  12. Stempel CV, Dickinson L, Pendsé D. MRI in the management of prostate cancer. seminars in ultrasound, CT, and MR. 2020;41(4):366–372. doi: 10.1053/j.sult.2020.04.003
  13. Sunoqrot MR, Saha A, Hosseinzadeh M, et al. Artificial intelligence for prostate MRI: Open datasets, available applications, and grand challenges. Eur Radiol Exp. 2022;6(1):35. doi: 10.1186/s41747-022
  14. Васильев Ю.А., Владзимирский А.В., Омелянская О.В., и др. Методология тестирования и мониторинга программного обеспечения на основе технологий искусственного интеллекта для медицинской диагностики // Digital Diagnostics. 2023. Т. 4, № 3. С. 252–267. [Vasiliev YuA, Vlazimirsky AV, Omelyanskaya OV, et al. Methodology for testing and monitoring artificial intelligence-based software for medical diagnostics. Digital Diagnostics. 2023;4(3):252–267]. doi: 10.17816/DD321971 EDN: UEDORU
  15. Четвериков С.Ф., Арзамасов К.М., Андрейченко А.Е., и др. Подходы к формированию выборки для контроля качества работы систем искусственного интеллекта в медико-биологических исследованиях // Современные технологии в медицине. 2023. Т. 15. № 2. С. 19–27. [Chetverikov SF, Arzamasov KM, Andreichenko AE, et al. Approaches to sampling for quality control of artificial intelligence in biomedical research. Modern technologies in medicine. 2023;15(2):19–27]. doi: 10.17691/stm2023.15.2.02 EDN: FUKXYC
  16. Cohen JF, Korevaar DA, Altman DG, et al. STARD 2015 guidelines for reporting diagnostic accuracy studies: explanation and elaboration. BMJ Open. 2016;6(11):e012799. doi: 10.1136/bmjopen-2016-012799
  17. Maki JH, Patel NU, Ulrich EJ, et al. Part I. Prostate cancer detection, artificial intelligence for prostate cancer and how we measure diagnostic performance: A comprehensive review. Curr Probl Diagn Radiol. 2024;53(5):606–613. doi: 10.1067/j.cpradiol.2024.04.002
  18. Bozgo V, Roest C, van Oort I, et al. Prostate MRI and artificial intelligence during active surveillance: Should we jump on the bandwagon? Eur Radiol. 2024;34(12):7698–7704. doi: 10.1007/s00330-024
  19. Бобровская Т.М., Васильев Ю.А., Никитин Н.Ю., и др. Объем выборки для оценки диагностической точности программного обеспечения на основе технологий искусственного интеллекта в лучевой диагностике // Сибирский журнал клинической и экспериментальной медицины. 2024. Т. 39, № 3. С. 188–198. [Bobrovskaya TM, Vasilev YuA, Nikitin NYu, et al. Sample size for assessing a diagnostic accuracy of ai-based software in radiology. Siberian Journal of Clinical and Experimental Medicine. 2024;39(3):188–198]. doi: 10.29001/2073-8552-2024-39-3-188-198 EDN: BPCPLL
  20. Belue MJ, Turkbey B. Tasks for artificial intelligence in prostate MRI. Eur Radiol Exp. 2022;6(1):33. doi: 10.1186/s41747-022-00287-9
  21. Harmon SA, Tuncer S, Sanford T, et al. Artificial intelligence at the intersection of pathology and radiology in prostate cancer. Diagnost Intervent Radiol (Ankara, Turkey). 2019;25(3):183–188. doi: 10.5152/dir.2019.19125
  22. Рева С.А., Шадеркин И.А., Зятчин И.В., Петров С.Б. Искусственный интеллект в онкоурологии // Экспериментальная и клиническая урология. 2021. Т. 14, № 2. С. 46–51. [Reva SA, Shaderkin IA, Zyatchin IV, Petrov SB. Artificial intelligence in cancer urology literature review. Experimental & clinical urology. 2021;14(2):46–51]. doi: 10.29188/2222-8543-2021-14-2-46-51 EDN: BHBSNP
  23. Абоян И.А., Редькин В.А., Назарук М.Г. и др. Искусственный интеллект в диагностике рака предстательной железы с помощью магнитно-резонансной томографии. Новый подход // Онкоурология. 2024. Т. 20, № 2. С. 35–43. [Aboyan IA, Redkin VA, Nazaruk MG, et al. Artificial intelligence in diagnosis of prostate cancer using magnetic resonance imaging. New approach. Cancer urology. 2024;20(2):35–43]. doi: 10.17650/1726-9776-2024-20-2-35-43 EDN: MBGNUY
  24. Алифов Д.Г., Звезда С.А., Кельн А.А., и др. Лучевая диагностика рака простаты на основе искусственного интеллекта и радиомного машинного обучения // Университетская медицина Урала. 2021. Т. 7, № 4. С. 48–50. [Alifov DG, Zvezda SA, Cologne AA, et al. Radiation diagnostics of prostate cancer based on artificial intelligence and radome machine learning. Universitetskaya meditsina Urala. 2021;7(4):48–50]. EDN: CUBNFQ
  25. Kaneko M, Magoulianitis V, Ramacciotti LS, et al. The novel green learning artificial intelligence for prostate cancer imaging: A balanced alternative to deep learning and radiomics. Urol Clin North Am. 2024;51(1):1–13. doi: 10.1016/j.ucl.2023.08.001
  26. Lu Y, Yuan R, Su Y, et al. Biparametric MRI-based radiomics for noninvastive discrimination of benign prostatic hyperplasia nodules (BPH) and prostate cancer nodules: A bio-centric retrospective cohort study. Sci Rep. 2025;15(1):654. doi: 10.1038/s41598-024-84908-w
  27. Lomer NB, Ashoobi MA, Ahmadzadeh AM, et al. MRI-based radiomics for predicting prostate cancer grade groups: A systematic review and metaanalysis of diagnostic test accuracy studies. Acad Radiol. 2024:S1076-6332(24)009541. doi: 10.1016/j.acra.2024.12.006
  28. Учеваткин А.А., Юдин А.Л., Афанасьева Н.И., Юматова Е.А. Оттенки серого: как и почему мы ошибаемся // Медицинская визуализация. 2020. Т. 24, № 3. С. 123–145. [Uchevatkin AA, Yudin AL, Afanas’yeva NI, Yumatova EA. Shades of grey: How and why we make mistakes. Medical visualization. 2020;24(3):123–145]. doi: 10.24835/1607-0763-2020-3-123-145 EDN: XVKCLV
  29. Van der Loo I, Bucho TM, Hanley JA, et al. Measurement variability of radiologists when measuring brain tumors. Eur J Radiol. 2024;183:111874. doi: 10.1016/j.ejrad.2024.111874
  30. Sanford TH, Zhang L, Harmon SA, et al. Data augmentation and transfer learning to improve generalizability of an automated prostate segmentation model. AJR. 2020;215(6):1403–1410. doi: 10.2214/AJR.19.22347
  31. Ushinsky A, Bardis M, Glavis-Bloom J, et al. A 3D-2D hybrid U-net convolutional neural network approach to prostate organ segmentation of multiparametric MRI. AJR. 2021;216(1):111–116. doi: 10.2214/AJR.19.22168
  32. Wang B, Lei Y, Tian S, et al. Deeply supervised 3D fully convolutional networks with group dilated convolution for automatic MRI prostate segmentation. Med Phys. 2019;46(4):1707–1718. doi: 10.1002/mp.13416
  33. Le MH, Chen J, Wang L, et al. Automated diagnosis of prostate cancer in multi-parametric MRI based on multimodal convolutional neural networks. Phys Med Biol. 2017;62(16):6497–6514. doi: 10.1088/1361
  34. Liu S, Zheng H, Feng Y, Li W. Prostate cancer diagnosis using deep learning with 3D multiparametric MRI. In: Medical imaging: Computer-aided diagnosis. Computer Vision and Pattern Recognition (cs.CV); Machine Learning (stat.ML); 2017. P. 1013428. doi: 10.1117/12.2277121
  35. Cao R, Mohammadian Bajgiran A, Afshari Mirak S, et al. Joint prostate cancer detection and gleason score prediction in mp-MRI via FocalNet. IEEE Trans Med Imaging. 2019;38(11):2496–2506. doi: 10.1109/TMI.2019.2901928
  36. Ishioka J, Matsuoka Y, Uehara S, et al. Computeraided diagnosis of prostate cancer on magnetic resonance imaging using a convolutional neural network algorithm. BJU Int. 2018;122(3):411–417. doi: 10.1111/bju.14397
  37. Saha A, Bosma JS, Twilt JJ, et al.; PI-CAI consortium. Artificial intelligence and radiologists in prostate cancer detection on MRI (PI-CAI): An international, paired, non-inferiority, confirmatory study. Lancet Oncol. 2024;25(7):879–887. doi: 10.1016/S1470
  38. Belue MJ, Harmon SA, Lay NS, et al. The low rate of adherence to checklist for artificial intelligence in medical imaging criteria among published prostate MRI artificial intelligence algorithms. J Am Coll Radiol. 2023;20(2):134–145. doi: 10.1016/j.jacr.2022.05.022

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Структура некорректных или ошибочных действий ИИ-сервиса для морфометрии предстательной железы по результатам магнитно-резонансной томографии, %.

Скачать (1MB)
Метаданные
3. Рис. 2. Результаты магнитно-резонансной томографии органов малого таза у мужчин в возрасте 65 (а) и 67 (б) лет, проанализированные ИИ-сервисом: сегментация и морфометрия предстательной железы выполнены правильно. 1 — сагиттальная проекция; 2 — аксиальная проекция.

Скачать (2MB)
Метаданные
4. Рис. 3. Результаты магнитно-резонансной томографии органов малого таза у мужчины в возрасте 86 лет, проанализированные ИИ-сервисом: пример неправильной сегментации предстательной железы (контур предстательной железы в сагиттальной проекции выполнен не в полном объёме).

Скачать (1MB)
Метаданные

© Эко-Вектор, 2025

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».