Улучшение визуализации почек при ADPKD: глубокое обучение при сегментации кисты
Аутосомно-доминантная поликистозная болезнь почек (АДПБП) — это генетическое заболевание, характеризующееся прогрессирующим образованием почечных кист, которые в конечном итоге нарушают функцию почек. Традиционно для оценки кистозной нагрузки использовались такие методы визуализации, как магнитно-резонансная томография (МРТ). Тем не менее, ручная сегментация занимает много времени и может варьироваться по точности в зависимости от рентгенолога. Недавнее исследование, рассмотренное в European Radiology Experimental, представляет подход на основе глубокого обучения для автоматизации сегментации почечных кист на T2-взвешенных МРТ-сканах у пациентов с АДПБП, предлагая потенциал для повышения точности и эффективности диагностических и прогностических оценок.
Растущая потребность в автоматизированной визуализации почек
Современные методы диагностики ADPKD основаны на ручной сегментации для оценки таких биомаркеров, как общий объем почек (TKV) и общий кистозный объем (TCV), оба из которых имеют решающее значение для прогнозирования прогрессирования заболевания. Высокий TKV, например, был связан с такими осложнениями, как гипертония и гематурия, а также повышенным риском почечной недостаточности. Однако процесс ручной сегментации требует обширных знаний и времени, поскольку на сегментацию каждой почки уходит около часа. Учитывая растущую распространенность ADPKD, есть веские основания для разработки автоматизированных решений визуализации для оптимизации этих оценок.
Глубокое обучение стало многообещающим инструментом в медицинской визуализации, с потенциалом предоставления автоматизированных, последовательных результатов, которые тесно связаны с человеческой интерпретацией. Обучаясь на тысячах изображений, алгоритмы глубокого обучения могут идентифицировать и сегментировать такие особенности, как кисты и контуры почек, обходя большую часть традиционно необходимой ручной работы. Тем не менее, чтобы модели глубокого обучения были действительно эффективными в клинических условиях, их необходимо обучать с использованием разнообразных наборов данных, охватывающих различные стадии ADPKD и различные протоколы визуализации, чтобы отражать условия реальной практики.
Обучение и тестирование модели глубокого обучения
Исследование использовало модель глубокого обучения для сегментации почечных кист с использованием набора данных МРТ-изображений пациентов с ADPKD, сканированных в период с 2008 по 2022 год. Исследователи использовали последние 20 МРТ-сканов в качестве тестового набора данных для имитации реальной диагностической обстановки, в то время как оставшиеся сканы сформировали обучающий набор данных. Кроме того, восемь сканов от людей без ADPKD были включены в обучающие данные для помощи в уточнении точности сегментации на разных стадиях заболевания, включая случаи с более низкой кистозной нагрузкой.
Производительность модели сравнивалась с тремя людьми-оценщиками, каждый из которых имел разный уровень знаний в области визуализации почек, которые вручную сегментировали один и тот же тестовый набор данных. Этот многооценочный подход был выбран для оценки не только точности алгоритма, но и его согласованности в диапазоне человеческой интерпретации. Для оценки перекрытия и точности исследователи применили такие метрики, как коэффициент сходства Дайса, который измеряет сходство между выходными данными алгоритма и сегментациями истинности. Анализ Бланда-Альтмана также использовался для изучения различий в оценках TKV и TCV между алгоритмом и оценщиками, выделяя любые потенциальные смещения.
В целом, эффективность алгоритма попала в диапазон межэкспертной изменчивости. Оценки сходства Дайса варьировались от 85,9% до 87,4% при сравнении алгоритма с людьми-экспертами, что указывает на уровень согласия, соответствующий человеческой эффективности. Хотя алгоритм хорошо показал себя в большинстве случаев, он столкнулся с трудностями с двумя пациентами, чей TCV превысил 2800 мл, где он имел тенденцию недооценивать как TKV, так и TCV. Эта недооценка в случаях большого объема кисты предполагает необходимость более широких данных обучения для учета поздних стадий заболевания.
Проблемы и будущие направления в области глубокого обучения для ADPKD
Несмотря на многообещающие результаты, эта модель глубокого обучения столкнулась с проблемами, которые являются поучительными для будущего развития автоматизированных решений визуализации. Одним из заметных ограничений была ее производительность в тяжелых случаях, когда крупные кисты были недостаточно представлены в обучающем наборе данных. Следовательно, алгоритм иногда недооценивал объем кисты в этих случаях, что могло повлиять на его надежность у пациентов с прогрессирующим ADPKD. Включение более полного набора данных с диапазоном размеров кист и случаев с более высоким TCV могло бы помочь смягчить эту проблему, сделав алгоритм более адаптируемым к различным стадиям заболевания.
Другая проблема возникла из-за неоднородных протоколов визуализации в наборе данных, которые включали сканы от разных поставщиков МРТ и напряженности поля. Эти различия могут повлиять на производительность модели, поскольку было показано, что параметры визуализации, такие как напряженность магнитного поля, влияют на точность алгоритмов глубокого обучения при сегментации органов. Хотя производительность алгоритма была относительно стабильной при различных условиях визуализации, он показал немного более низкую точность при сканировании, полученном при 3 Тесла (3Т) по сравнению с 1,5 Тесла (1,5Т). Будущая работа может включать оптимизацию алгоритма для различных напряженностей поля и настроек визуализации, что сделает его более универсальным для использования в разных учреждениях.
Наконец, сегментация кластерных или нерегулярных кист остается сложной задачей для алгоритма. Исследование показало, что кистозный индекс — мера кистозного объема относительно TKV — был более последовательной метрикой, чем TCV в одиночку, что снижает изменчивость как между алгоритмом и людьми-оценщиками, так и между самими оценщиками. Таким образом, использование алгоритмом кистозного индекса может иметь особую ценность для клинического применения, поскольку он предлагает надежный маркер, который может улучшить последовательность в оценке заболевания.
Интеграция глубокого обучения в визуализацию почек для пациентов с ADPKD представляет собой многообещающий шаг к повышению диагностической и прогностической точности. Изучаемый алгоритм демонстрирует сильную способность соответствовать точности сегментации на уровне человека в пределах межэкспертной вариабельности, хотя некоторые ограничения остаются, особенно в случаях с большими кистозными объемами. Устранение этих пробелов путем расширения обучающих наборов данных и оптимизации производительности в условиях визуализации будет иметь важное значение для реальных приложений. При дальнейшем уточнении автоматизированная сегментация может играть ключевую роль в обеспечении рутинного, широкомасштабного мониторинга TKV и кистозного индекса, в конечном итоге поддерживая более своевременные и персонализированные стратегии лечения для пациентов с ADPKD.
Источник: European Radiology Experimental
