Подход на основе глубокого обучения к диагностической классификации рака предстательной железы с использованием интеграции патоморфологических и радиологических данных

Введение: Для окончательной диагностики рака предстательной железы необходимо выполнить биопсию с последующим патоморфологическим исследованием ткани, однако это инвазивная процедура, связанная с риском осложнений.

Цель: Разработать модель на основе искусственного интеллекта (ИИ) под названием AI-biopsy для ранней диагностики рака предстательной железы по магнитно-резонансным (МР) изображениям, размеченным с учётом данных гистопатологического исследования.

Тип исследования: Ретроспективное.

Популяция: Наборы данных магнитно-резонансной томографии (МРТ) 400 пациентов с подозрением на рак предстательной железы и доступными гистологическими данными: 228 исследований выполнены в одном медицинском учреждении, 172 получены из общедоступных внешних баз данных.

Напряжённость магнитного поля и последовательность: 1,5–3,0 Тл; импульсные последовательности Т2-взвешенных изображений.

Оценка: МР-изображения оценивали и отбирали два врача-рентгенолога со стажем работы 6 и 17 лет. Изображения пациентов размечали по результатам биопсии предстательной железы, включая показатель по шкале Глисона от 6 до 10 или группу Grade Group от 1 до 5; оценку выполнял врач-патоморфолог со стажем 15 лет. Были разработаны модели глубокого обучения для различения: 1) доброкачественной и злокачественной опухоли; 2) опухоли высокого и низкого риска.

Статистические методы: Для оценки моделей рассчитывали отрицательную прогностическую ценность, положительную прогностическую ценность, специфичность, чувствительность и точность. Также рассчитывали площади под кривыми рабочих характеристик приёмника (ROC; AUC) и κ-коэффициент Коэна.

Результаты: Разработанный вычислительный метод (https://github.com/ih-lab/AI-biopsy) продемонстрировал AUC 0,89 (95% ДИ: 0,86–0,92) при различении рака и доброкачественных изменений и 0,78 (95% ДИ: 0,74–0,82) при классификации заболеваний предстательной железы как относящихся к высокому или низкому риску.

Выводы: AI-biopsy обеспечивает основанный на данных и воспроизводимый подход к оценке риска рака по МР-изображениям и потенциально позволяет персонализировать решение о необходимости биопсии, сокращая число ненужных процедур. С помощью метода карт активации классов AI-biopsy выделяет области МР-изображений, содержащие признаки, использованные алгоритмом для постановки диагноза. Это полностью автоматизированный метод с веб-интерфейсом по принципу перетаскивания файлов (https://ai-biopsy.eipm-research.org), позволяющим врачам-рентгенологам в режиме реального времени просматривать МР-изображения, оценённые ИИ.

Уровень доказательности: 1.

Стадия технической эффективности: 2.