Сокращения

Компьютерная томография — КТ

Органы грудной клетки — ОГК

Институт измерения показателей и оценки здоровья — ИПОЗ

Низкодозная компьютерная томография — НДКТ

National Lung Cancer Screening Trial — NLST

Искусственный интеллект — ИИ

Единая радиологическая система — ЕРИС

Единая медицинская информационно-аналитическая система — ЕМИАС

Хроническая обструктивная болезнь легких — ХОБЛ

Минеральная плотность костной ткани — МПК

Компьютерная томография (КТ) является важным диагностическим методом, широко используемым для решения целого спектра клинических задач. Наиболее часто с помощью КТ проводят исследование органов грудной клетки (ОГК). Все большие обороты набирает скрининг рака легкого при помощи низкодозной компьютерной томографии (НДКТ), что способствует получению и обработке ежегодно петабайтов информации анатомических структур ОГК.

Смертность в мире, по данным ВОЗ и Института измерения показателей и оценки здоровья (ИПОЗ) от болезней ОГК, таких как хроническая обструктивная болезнь легких, рак легких, трахеи и бронхов, туберкулез составляет более 6 млн человек в год.

Рак легких является наиболее распространенной причиной смерти от злокачественных онкологических заболеваний в мире [1]. Единственным решением способствующему снижению смертности от рака легкого является скрининг, который направлен на выявление предиктора рака легкого — легочного узла. Наряду с узлами в легких по данным НДКТ возможно выявить и другие клинически значимые находки (эмфизема, кальцификация коронарных артерий и т. д.), которые врачи-рентгенологи должны выявлять для выбора правильной тактики ведения пациента. При первичных исследованиях в программе National Lung Cancer Screening Trial (NLST) у 10,2% обследованных, не имеющих признаков рака легких, выявили клинически значимые случайные находки [2]. В Канадском скрининговом исследовании при помощи НДКТ у 19% исследуемых выявили случайные находки, при этом 0,8% из них были клинически значимыми и требовали немедленной дальнейшей маршрутизации пациента [3].

В московском скрининге рака легкого также был проведен анализ структуры случайных находок по данным ультра-НДКТ, в которым исключались очаги, классифицированные по LungRADS-2014. При ретроспективном пересмотре результатов исследований в 221 (87,0%) из 254 случаев были выявлены случайные находки (рис. 1)

Проблему раннего выявления и быстрой оценки клинически важных находок как со стороны органов дыхания, так и сердечно-сосудистой патологии возможно решить при помощи системы компьютер-ассистированной диагностики (сокращенно CAD от computer-aided detection) и алгоритмов машинного обучения (Machine Learning) с использованием глубоких нейронных сетей (Deep Neural Networks).

С целью облегчения выбора подобных инструментов, проведена подробная оценка современных подходов к сегментации легочной паренхимы при КТ.

Искусственный интеллект (ИИ) в диагностике представляет мультидисциплинарное прикладное научное направление по постановке и решению задач моделирования отдельных компонентов аналитических процессов, являющихся частью интеллектуальной деятельности врача [5]. На этапе разработки и в ходе испытаний программного обеспечения на основе интеллектуальных технологий должна быть дана «оценка клинической связи (научной обоснованности) степени адекватности подбора данных и системы их анализа (концепция, измерения, заключение) целевому назначению» [6].

Особенно важно во время планирования этапа разработки уделить внимание выбору типа разметки исследований, на которых в дальнейшем планируется машинное обучение. Разметка или тегирование — это процесс внесения в базу данных стандартизированных сведений о наличии патологических изменений на диагностических изображениях, выполняемое независимо минимум тремя квалифицированными врачами-специалистами [5].

Ниже в таблице представлены типы сегментации данных изображений с указанием, как сильных, так и слабых сторон (табл. 1)

Несмотря на множество групп заболеваний, а также самих нозологий врач-рентгенолог обязан мыслить симптомно и интерпретировать изменения легких, используя терминологию Fleischner [8]. Так же и разработчик, выбирая симптом легких, например, «дерево в почках» или уплотнение по типу «матового стекла», должен изначально правильно выбрать тэгирование изображений (табл. 2)

Одиночный легочный узел (от английского: nodule) по данным КТ грудной клетки визуализируется в виде сферической или неправильной формы уплотнения, с ровными или неровными контурами, размером до 30 мм в диаметре.

Современные CAD, используемые в обнаружении узлов в паренхиме обоих легких позволяют с высокой степенью уверенности подтвердить или опровергнуть их наличие (рис. 2).

Хроническая обструктивная болезнь легких (ХОБЛ) — это хроническое прогрессирующее угрожающее жизни заболевание легких, на начальных этапах проявляющееся одышкой. Большая часть пациентов с ХОБЛ, как правило, курильщики.

Глобальные эпидемиологические исследования BOLD и PLATINO показали, что сегодня насчитывается по меньшей мере 600 млн больных ХОБЛ от общей численности населения в мире [11, 12]. В повседневной практике пульмонолога особое внимание уделяется документу «Глобальная инициатива по диагностике и лечению ХОБЛ» (GOLD — Global Initiative for Chronic Obstructive Lung Disease), которая регламентирует тактику ведения пациентов, имеющих ХОБЛ [13].

Метод раннего выявления ХОБЛ заключается в количественном определении эмфиземы, толщины стенки бронхов и симптома «воздушных ловушек» по данным КТ ОГК. Из описанных выше проявлений ХОБЛ, больше всего изучена количественная оценка эмфиземы. Автоматизированная количественная оценка эмфиземы, по данным КТ ОГК, является более точной, чем визуальная количественная оценка эмфиземы [14]. Выявлена корреляция между эмфиземой по данным КТ грудной клетки и развитием рака легкого, независимо от стадии ХОБЛ, определенной при помощи тестов легочной функции [15—18].

В настоящее время не разработан «золотой стандарт» протокола проведения КТ и пороговое значение для автоматической количественной оценки эмфиземы. Эмфизема может быть количественно определена с помощью автоматизированного программного обеспечения для определения плотности паренхимы легких, которая вычисляет процент вокселей в легких при определенном пороговом уровне, обычно от –910/–950 до –970 HU (рис. 4)

По Международным рекомендациям, компьютерная томография играет центральную роль в диагностике фиброзных заболеваний легких. При наличии типичной клинико-лабораторной картины определены паттерны КТ, характерные для обычной интерстициальной пневмонии. Комбинация клинических и компьютерно-томографических данных позволяет поставить диагноз идиопатического фиброза легких без биопсии легкого (рис. 3).

Среди важных находок сердечно-сосудистой патологии средостения следует выделять повышение индекса коронарного кальция, увеличение объема висцеральной жировой ткани сердца, расширение грудного отдела аорты и легочного ствола.

Согласно результатам многонационального рандомизированного исследования по атеросклерозу the Multi-Ethnic Study of Atherosclerosis (MESA), объем паракардиального жира является независимым предиктором ишемической болезни сердца [22]. Так как КТ имеет высокое пространственное разрешение, а жировая ткань сердца — низкие значения плотности, она хорошо идентифицируется, что позволяет точно измерять ее объем (рис. 6).

Нормальный диаметр аорты зависит от возраста, пола и площади поверхности тела. Термин аневризма используется, когда в аксиальном сечении диаметр составляет более 5,0 см для восходящей аорты и более 4,0 см для нисходящей аорты. Когда аорта расширена больше нормы (4 см для восходящей, 3 см для нисходящей аорты), но не достигает размера аневризмы, могут использоваться термины дилатация или эктазия [24, 25]. Нормальный диаметр легочного ствола также зависит от возраста, пола и площади поверхности тела и в длине составляет 50 мм в длину и 30 мм в ширину, хотя большинство авторов считают размер в 29 мм, как норму [26]. Оценивать рост аорты при исследованиях в динамике и дилатацию легочного ствола при ХОБЛ возможно, используя алгоритмы машинного обучения, что было продемонстрировано автором S. Gamechi и апробировано в датском пилотном проекте скрининга рака легкого (см. рис. 2) [27, 28].

Коронарный кальций является предиктором сердечно-сосудистых заболеваний во всех этнических группах [29, 30]. В ряде исследований продемонстрирована прямая взаимосвязь коронарного кальция со смертностью от ишемической болезни сердца в популяции [31]. Методика оценки коронарного кальция в скрининге при помощи ультра-НДКТ на 64-срезовых компьютерных томографах, сопоставима со стандартной методикой КТ без ЭКГ-синхронизации и КТ с ЭКГ-синхронизацией, что делает данный параметр особенно важным для оценки в скрининге рака легкого (рис. 5)

Лимфаденопатия нередко выявляется при исследованиях. Именно врач-рентгенолог определяет тактику ведения пациента: проведение дополнительных исследований (в том числе биопсии) или контрольное исследование через определенный промежуток времени.

Анализ лимфатических узлов трудоемкий процесс. Автоматическое обнаружение и сегментация с помощью КТ является важным и ценным для оценки количества лимфатических узлов в группе, размера по короткой оси, формы и структуры (рис. 7)

Выявление патологий плевры, таких как плевральный выпот, образования плевры или бляшки, являются важными диагностическими находками. Так, плевральный выпот может выявляться при ряде заболеваний, начиная от сердечной недостаточности, заканчивая метастатическим поражением, а также являться негативным прогностическим фактором при остром панкреатите [34]. Однако сегментация и последующий автоматический анализ заболеваний плевры являются непростой задачей для разработчиков. Это связано с тем, что рентгенологическая плотность жидкости в плевральной полости имеет сходные плотностные характеристики с окружающими мягкими тканями [35]. На данный момент имеются решения этой задачи, позволяющие точно определить объем жидкости в плевральной полости и ее локализацию (рис. 8)

Редкой патологией, которую также можно выявить с помощью системы CAD, является мезотелиома плевры — злокачественная опухоль, характеризующаяся поражением париетальной и висцеральной плевры [37]. На данный момент имеется ряд автоматических [38, 39] и полуавтоматических [40] алгоритмов определения толщины плевры, направленных на повышение эффективности оценки мезотелиомы.

Саркопения — это патологическое состояние, обусловленное атрофией скелетных мышц. Саркопения не часто диагностируется, хотя является одним из пяти факторов риска смертности у людей пожилого возраста [41]. В последнее время все больше внимания уделяют саркопеническому ожирению, которое проявляется избытком жировой ткани и сочетанной атрофией мышечной массы, что отрицательно сказывается на метаболическом статусе [42].

На основе сегментированных изображений ОГК возможно оценивать объем таких поверхностных структур — подкожно-жировой клетчатки и скелетных мышц (рис. 9)

Остеопороз — метаболическое заболевание скелета, характеризующееся снижением костной массы, нарушением микроархитектоники костной ткани, и как следствие, повышением риска перелома при минимальной травме. Согласно отчету Международного фонда остеопороза, каждая третья женщина и каждый пятый мужчина в возрасте старше 50 лет имеют остеопоротический перелом [45].

Возможно оценивать минеральную плотность костной ткани (МПК) по данным КТ ОГК при помощи количественной компьютерной томографии QCT (Quantitative Computed Tomography) [46, 47]. К характерным остеопоротическим переломам относятся перелом дистального отдела лучевой кости (перелом Коллиса), компрессионный перелом тела позвонка и перелом шейки бедренной кости. Модель машинного обучения в автоматическим режиме должна оценивать МПК, высоту позвонков грудного отдела, что позволит избавить специалистов от рутинной оценки и повысить качество диагностики [48].

Также нередкими пропускаемыми патологическими изменениями являются очаговые изменения тел позвонков (гемангиома и вторичные изменения), а также травматические изменения ребер, для которых уже разработана модель машинного обучения (рис. 10, рис.

При проведении КТ ОГК в область исследования попадает верхний этаж брюшной полости, включающий в себя печень, селезенку и др. Использование систем CAD в анализе патологии органов брюшной полости позволяет проводить оценку плотности печени [49] на предмет наличия стеатоза, выявить наличие образований в печени [50—52], а также оценить состояние селезенки [52, 53].

Кроме того, в область исследования могут попасть надпочечники и почки (зачастую только верхние их полюса). В связи с тем что инциденталомы надпочечников не являются часто встречающейся патологией (4% при КТ-исследованиях) [54]. Возникает вероятность, что внимание врача будет в меньшей степени направлено на выявление данной патологии. Выявление кист и других образований почек также достаточно часто пропускается при описании КТ ОГК. Автоматический анализ сегментированных надпочечников и почек позволит снизить вероятность ложно-негативных результатов (рис. 12)

Использование алгоритмов машинного обучения поможет повысить качество и доступность медицины, особенно в регионах с дефицитом сил и средств. Однако важно понимать, что большинство алгоритмов машинного обучения разрабатываются для поиска ряда типовых патологий, тогда как врач-рентгенолог способен диагностировать более редкие заболевания и аномалии развития.

Поэтому на часто задаваемый в последнее время вопрос «заменит ли искусственный интеллект рентгенолога?» ответ будет: «рентгенолог, использующий в своей практике алгоритмы искусственного интеллекта, будет иметь преимущество перед рентгенологом, отказавшимся от них».

Авторы заявляют об отсутствии конфликта интересов.

The authors declare no conflict of interest.

Сведения об авторах

Николаев А.Е. — e-mail: a.e.nikolaev@yandex.ru; https://orcid.org/0000-0001-5151-4579; SPIN: 1320-1651

Чернина В.Ю. — e-mail: chernina909@gmail.com; https://orcid.org/0000-0002-0302-293X; SPIN: 8896-8051

Блохин И.А. — e-mail: blokhin.ioann@gmail.com; https://orcid.org/0000-0002-2681-9378; SPIN: 3306-1387

Шапиев А.Н. — e-mail: shapiev_an@mail.ru; https://orcid.org/0000-0002-1890-6711; SPIN: 1662-0349

Гончар А.П. — e-mail: anne.gonchar@gmail.com; https://orcid.org/0000-0001-5161-6540; SPIN: 3513-9531

Гомболевский В.А. — e-mail: gombolevskiy@npcmr.ru; https://orcid.org/0000-0003-1816-1315; SPIN: 6810-3279

Петряйкин А.В. — e-mail: alexeypetraikin@gmail.com; https://orcid.org/0000-0003-1694-4682; SPIN 6193-1656

Силин А.Ю. — e-mail: silin@yamed.ru

Петрова Г.Д. — e-mail: 343923@mail.ru; https://orcid.org/0000-0001-9919-2548

Морозов С.П. — e-mail: npcmr@zdrav.mos.ru; https://orcid.org/0000-0001-6545-6170, SPIN: 8542-1720

Автор, ответственный за переписку: Шапиев Арсен Нуруллаевич — e-mail: shapiev_an@mail.ru

Николаев А.Е., Чернина В.Ю., Блохин И.А., Шапиев А.Н., Гончар А.П., Гомболевский В.А., Петряйкин А.В., Силин А.Ю., Петрова Г.Д., Морозов С.П. Перспективы использования комплексной компьютер-ассистированной диагностики в оценке структур грудной клетки. Хирургия. Журнал им. Н.И. Пирогова. 2019;12:91-99. https://doi.org/10.17116/hirurgia2019121