ИИ в скрининге рака молочной железы: прогресс, проблемы и будущие направления
Автоматическое обнаружение рака молочной железы при маммографии с использованием компьютерных алгоритмов на протяжении десятилетий было в центре внимания исследований, направленных на помощь рентгенологам в выявлении ранних признаков рака. Несмотря на достижения, скрининг рака молочной железы с использованием цифровой маммографии (DM) или цифрового томосинтеза молочной железы (DBT) по-прежнему во многом зависит от рентгенологов, которые могут допускать такие ошибки, как ложноотрицательные и ложноположительные результаты. Программы скрининга также трудоемки и дороги, часто требуют нескольких осмотров радиологов, особенно в Европе. Чтобы повысить точность и снизить рабочую нагрузку, исследователи с 1990-х годов исследуют системы компьютерного обнаружения (САПР). Ранние САПР, использующие традиционное машинное обучение, не получили широкого распространения из-за высокого уровня ложных срабатываний. Недавно появились методы искусственного интеллекта глубокого обучения (DL), которые продемонстрировали значительные улучшения в эффективности обнаружения и получили похвалу за то, что потенциально могут соответствовать или превосходить точность рентгенологов. Однако для их успешной интеграции в клиническую практику необходимы дальнейшие исследования. В этой обзорной статье, опубликованной в Европейском журнале радиологии, обсуждается текущее состояние технологий искусственного интеллекта в обнаружении рака молочной железы, доступные системы и текущие проблемы в этой области.
Эволюция и влияние глубокого обучения на визуализацию молочной железы
ИИ значительно продвинулся в медицинской визуализации, особенно в визуализации молочной железы, благодаря доступным вычислительным мощностям, цифровым данным и облачным ресурсам. ИИ включает в себя ряд методов, предназначенных для моделирования человеческого интеллекта, включая машинное обучение (ML) и глубокое обучение (DL).
Традиционные системы компьютерного обнаружения (САПР), появившиеся в 1990-х годах, использовали традиционные стратегии машинного обучения. Эти системы основывались на извлеченных вручную функциях изображений, которые обрабатывались с помощью таких моделей, как деревья решений и машины опорных векторов. Такие подходы требовали больших объемов структурированных обучающих данных и человеческого контроля, поскольку большая часть обучения проводилась под наблюдением.
Напротив, инструменты САПР на основе DL, которые относятся к более позднему подтипу ML, используют архитектуру нейронных сетей для создания моделей, способных принимать точные решения на основе данных. В отличие от традиционного машинного обучения, DL не требует ручного выбора функций; вместо этого функции изучаются и оптимизируются во время обучения посредством обратного распространения ошибки. DL включает в себя различные формы, такие как глубокие нейронные сети (DNN), рекуррентные нейронные сети (RNN), сети глубоких убеждений (DBN) и сверточные нейронные сети (CNN). CNN, в частности, доказали свою высокую эффективность для сегментации и классификации изображений, а новые архитектуры, такие как Transformers, значительно улучшают производительность CNN.
Способность моделей DL изучать соответствующие функции непосредственно из наборов данных произвела революцию в анализе медицинских изображений. Нейронные сети достигли уровня обнаружения, сравнимого со средними рентгенологами. Кроме того, в рандомизированных скрининговых исследованиях было показано, что DL снижает рабочую нагрузку радиологов и повышает чувствительность выявления рака без потери специфичности. DL также позволяет разрабатывать модели классификации, которые различают злокачественные и доброкачественные поражения, уменьшая вариабельность среди наблюдателей.
Системы искусственного интеллекта на основе DL широко используются для обнаружения рака молочной железы с помощью различных технологий визуализации, таких как цифровая маммография (DM), цифровой томосинтез молочной железы (DBT) и МРТ молочной железы. Поскольку медицинская визуализация становится все более сложной из-за технологий 3D и 4D, ИИ будет играть решающую роль в обработке больших наборов данных. Текущая тенденция в области искусственного интеллекта заключается в объединении мультимодальных входных данных с данными, не относящимися к изображениям, для повышения точности и результатов.
Жизненно важная роль предварительной обработки данных в разработке ИИ
В XXI веке данные часто сравнивают с нефтью из-за их огромной ценности. Однако, как и в случае с нефтью, необработанные данные нуждаются в тщательной обработке, чтобы стать полезными. Ученые, работающие с данными, тратят до 60% своего времени на очистку и обработку данных в проектах интеллектуального анализа данных. Качество данных имеет решающее значение для алгоритмов ИИ, поскольку они полагаются на эти данные для выявления закономерностей и функций для получения точных результатов. Стратегии предварительной обработки, включая сбор, обработку, аннотирование и хранение данных при сохранении конфиденциальности пациентов, необходимы для работы алгоритмов искусственного интеллекта, особенно в медицинской визуализации. Объединение данных визуализации и других данных повышает клиническую значимость моделей искусственного интеллекта, что требует пристального внимания во время предварительной обработки. Несмотря на это, успех моделей ИИ также зависит от надежной разработки и обучения моделей, поскольку сложные модели не могут компенсировать низкое качество данных.
Алгоритмы ИИ используют несколько парадигм обучения: контролируемое, неконтролируемое, полуконтролируемое и обучение с подкреплением. При контролируемом обучении данные полностью аннотируются известными истинами, такими как маркировка маммограмм «раком» или «отсутствием рака» для задач обнаружения или предоставление ограничивающих рамок для сегментации поражений. Модели обучения без учителя используют немаркированные изображения для поиска общих закономерностей, тогда как обучение с полуконтролем сочетает в себе элементы как контролируемого, так и неконтролируемого обучения, используя как помеченные, так и неразмеченные данные. Обучение с подкреплением предполагает обучение агента методом проб и ошибок в интерактивной среде, используя обратную связь о своих действиях для улучшения.
Разработка ИИ обычно включает разделение данных на наборы данных для обучения, проверки и тестирования. Когда наборы данных недостаточно велики, используются стратегии увеличения данных, такие как вращение и масштабирование, чтобы увеличить размеры выборки, не влияя на ожидаемые результаты алгоритма. Синтетические данные, генерируемые состязательными сетями, также могут дополнять данные, особенно о редких типах рака или менее частых классах. Трансферное обучение, при котором предварительно обученные сети настраиваются с использованием новых, но ограниченных данных, является еще одной распространенной стратегией, требующей меньше времени на обучение для эффективной работы в новой области.
Повышение доверия к ИИ в здравоохранении: руководящие принципы и инициативы
Инструменты искусственного интеллекта, особенно основанные на глубоком обучении (DL), часто воспринимаются как черные ящики, результаты которых кажутся волшебными, что снижает доверие и затрудняет клиническое внедрение. Этот скептицизм преобладает, несмотря на ажиотаж вокруг ИИ в здравоохранении, поскольку у многих продуктов ИИ с маркировкой CE отсутствуют научно подтвержденные доказательства их клинической эффективности. Чтобы повысить доверие к ИИ, Европейская комиссия опубликовала в 2020 году Список оценки надежного ИИ (ALTAI), хотя эти рекомендации не касаются только здравоохранения. В связи с этим несколько международных инициатив предложили контрольные списки и рекомендации, адаптированные к медицинской визуализации, такие как TRIPOD-AI/PROBAST-AI, CLAIM, MINIMAR, CONSORT-AI, CLEAR, Metrics Reloaded и FUTURE-AI. Например, в рекомендациях FUTURE-AI подчеркиваются шесть принципов повышения клинического доверия: справедливость, универсальность, отслеживаемость, удобство использования, надежность и объяснимость.
Справедливость предполагает обеспечение единообразной работы ИИ среди отдельных лиц и подгрупп, смягчение предвзятости с помощью таких стратегий, как увеличение данных для недостаточно представленных групп. Универсальность способствует применению стандартов при разработке, оценке и развертывании ИИ для повышения совместимости и применимости в клинических условиях. Для отслеживания необходимы механизмы документирования и мониторинга разработки и производительности ИИ в клинических условиях, позволяющие проводить техническое обслуживание. Удобство использования гарантирует, что инструменты ИИ практичны и приемлемы для реальных пользователей, включая оценку, включающую всех конечных пользователей. Надежность поддерживает производительность ИИ в различных реальных условиях, что требует использования наборов данных из нескольких центров и от разных поставщиков во время разработки и проверки. Объясняемость обеспечивает значимое понимание прогнозов ИИ, повышая доверие пользователей за счет разъяснения процессов принятия решений.
Разработка независимых и обобщаемых моделей ИИ имеет решающее значение для клинической реализации. Это требует обучения с использованием высококачественных, объективных данных, часто из многоцентровых наборов данных и данных от разных поставщиков, чтобы обеспечить возможность обобщения. Однако проблемы конфиденциальности могут усложнить доступ к полным наборам данных. Такие методы, как федеративное или групповое обучение, решают эти проблемы, позволяя обучать модели ИИ локально без совместного использования данных, комбинируя модели из разных центров без передачи конфиденциальной информации.
Результаты, полученные с помощью искусственного интеллекта, должны быть понятными как для разработчиков, так и для клинических пользователей. Объяснимый ИИ (XAI) призван сделать прогнозы ИИ понятными, повысить доверие и помочь в принятии клинических решений. Модели интерпретируемости, такие как Grad-CAM, используют визуальные пояснения, такие как тепловые карты, для выделения важных особенностей изображения, учитываемых моделью искусственного интеллекта, что делает процесс принятия решений прозрачным.
Внедрение ИИ в скрининг рака молочной железы: проблемы и возможности
Системы искусственного интеллекта могут быть реализованы различными способами при скрининге рака молочной железы с использованием цифровой маммографии (DM) или цифрового томосинтеза молочной железы (DBT), в зависимости от местных потребностей и предпочтений каждой программы скрининга. Потенциальное влияние ИИ на скрининг варьируется в зависимости от его конкретной реализации. Некоторые подходы с использованием ИИ могут значительно снизить нагрузку на скрининг без ущерба для чувствительности, в то время как другие могут повысить чувствительность, но также повысить уровень ложноположительных результатов. Идеальное улучшение рабочей нагрузки, чувствительности и специфичности с помощью ИИ при скрининге все еще подтверждается, хотя некоторые исследования, такие как исследования Лонга и др., показывают многообещающие результаты.
Эти приложения ИИ не являются взаимоисключающими и могут комбинироваться. Несмотря на обширные исследования в области искусственного интеллекта для визуализации молочной железы, доказательства остаются ограниченными. Большинство исследований являются ретроспективными, включают лишь несколько коммерчески доступных систем искусственного интеллекта и используют ограниченные данные из отдельных мест, не обладая гетерогенностью, необходимой для представления глобальных программ скрининга. Другие распространенные ограничения включают обогащение набора данных, неучтенные изменения в поведении радиологов с участием ИИ и ограниченную клиническую значимость результатов, например агрессивность рака, обнаруженного при скрининге.
Характеристики каждой системы, включая одобренное регулирующими органами назначение и характеристики производительности, также ограничивают использование искусственного интеллекта для визуализации молочной железы. Например, система искусственного интеллекта, разрешенная только для одновременной поддержки во время интерпретации маммограммы, не может использоваться в качестве автономного считывателя при скрининге, даже в сценарии двойного считывания.
Навигация по внедрению ИИ в скрининге рака молочной железы
♦ Выбор правильной системы искусственного интеллекта для визуализации молочной железы
Имея более полудюжины систем искусственного интеллекта для визуализации молочной железы, пользователи сталкиваются с проблемой выбора наиболее подходящей системы для своих клинических условий. Хотя некоторые системы более точны, чем другие, решающее значение имеют такие факторы, как предполагаемое использование, возможности развертывания и конкретная производительность для группы пользователей и оборудования. Для обеспечения безопасности и эффективности рекомендуется периодически проводить оценки или аудиты алгоритмов ИИ. Разработчикам ИИ рекомендуется предоставлять инструменты для мониторинга производительности, чтобы повысить прозрачность и помочь в принятии решений. Хорошо разработанные руководящие принципы и контрольные списки будут иметь важное значение для повышения надежности будущих алгоритмов ИИ, а также мер по отслеживанию для документирования и мониторинга инструментов ИИ в клинических условиях. Внутренняя проверка с использованием местных данных имеет решающее значение для выявления потенциальных ошибок.
♦ Технологические усовершенствования ИИ в скрининге рака молочной железы
Современные алгоритмы искусственного интеллекта для обнаружения рака молочной железы обычно используют одно изображение DM или DBT, но рентгенологи рассматривают несколько источников данных, таких как предыдущие изображения и записи пациентов. Будущие алгоритмы ИИ должны интегрировать данные из нескольких источников, чтобы делать более точные прогнозы. Это требует доступа к большему количеству клинических данных и стратегий, таких как федеративное обучение или генерация синтетических данных, для сохранения конфиденциальности пациентов.
♦ Будьте в курсе событий в области искусственного интеллекта
Область ИИ быстро развивается, и обширная информация доступна в радиологических журналах и на конференциях. Однако существует разрыв между результатами контролируемых экспериментов и реальным клиническим применением. Объединение и публикация показателей производительности ИИ в клинических условиях, подобно Консорциуму по надзору за раком молочной железы, может дать ценную информацию о фактическом влиянии этих алгоритмов.
♦ Проспективные клинические испытания и фактические данные.
Большинство данных о влиянии ИИ на скрининг рака молочной железы основано на ретроспективных данных или лабораторных исследованиях. Проспективные клинические испытания необходимы для широкого внедрения. Недавние испытания, такие как MASAI и ScreenTrustCAD, показали многообещающие результаты, подтверждающие ретроспективные выводы. Продолжающееся исследование AITIC направлено на оценку использования ИИ в реальном скрининге, предполагая, что ИИ может безопасно и эффективно маркировать обследования с низким риском как нормальные, повышая уровень выявления рака без снижения прогностической ценности положительных отзывов. Остается вопрос, будут ли регионы использовать данные других исследований или проводить свои собственные, что потенциально может задержать преимущества ИИ. Тем не менее, многие больницы уже внедряют ИИ, исходя из местных клинических потребностей.
Прокладывая путь к революции в области выявления рака молочной железы
Использование технологии искусственного интеллекта для автоматического обнаружения рака молочной железы при маммографии достигло значительных успехов и открывает большой потенциал для улучшения программ скрининга. Традиционные САПР, использующие машинное обучение, существуют уже несколько десятилетий, но их высокий уровень ложных срабатываний ограничивает их признание. Недавние достижения в области искусственного интеллекта на основе глубокого обучения (DL) показали улучшение производительности, иногда превосходя рентгенологов в обнаружении рака молочной железы.
Системы искусственного интеллекта на основе DL для скрининга рака молочной железы с использованием цифровой маммографии (DM) или цифрового томосинтеза молочной железы (DBT) были тщательно исследованы. Эти системы помогают рентгенологам, повышая точность и уменьшая количество ложноотрицательных и ложноположительных результатов. Существует даже потенциал для того, чтобы ИИ заменил рентгенологов при чтении маммограмм, хотя для обеспечения успешной реализации необходимы дополнительные исследования.
Для обучения систем искусственного интеллекта требуются высококачественные данные со значительным упором на предварительную обработку данных для достижения оптимальной производительности. ИИ использует различные парадигмы обучения, включая контролируемое, неконтролируемое, полуконтролируемое и обучение с подкреплением, а также увеличение данных и трансферное обучение для устранения ограничений данных.
Валидация имеет решающее значение для обеспечения надежности и клинической эффективности систем искусственного интеллекта. Для повышения прозрачности и надежности разрабатываются международные рекомендации и контрольные списки, которые будут способствовать более широкому принятию и интеграции инструментов ИИ в клиническую практику. Несмотря на обещание ИИ улучшить выявление рака молочной железы, продолжающиеся исследования, сотрудничество и проверка необходимы для его успешной интеграции в рутинные программы скрининга.
Источник: European Journal of Radiology
