Искусственный интеллект в диагностике рака предстательной железы с помощью магнитно-резонансной томографии. Новый подход

Цель исследования – улучшить процесс диагностики рака предстательной железы (РПЖ) путем обучения нейросети определению очагов злокачественных образований на основе результатов магнитно-резонансной томографии (МРТ) с такой же точностью, как у опытного радиолога, или большей с использованием в качестве истины гистологической разметки препаратов, выполняемой морфологом.

Материалы и методы. Работу проводили на базе КДЦ «Здоровье» в г. Ростове-на-Дону. Отобранным для исследования пациентам выполняли МРТ на аппарате Philips Ingenia 3.0T по протоколу мультипараметрической МРТ предстательной железы, соответствующему требованиям PI-RADS v.2.1. Полученные данные использованы для обучения сверточной нейронной сети, основанной на архитектуре U-Net. Получена достоверная карта фактического расположения очагов РПЖ из программного обеспечения «Цифровой инструмент разметки морфолога».

Результаты. Исследовательская часть работы состояла из следующих этапов:

• разработка программного обеспечения «Цифровой инструмент разметки морфолога» для виртуализации очагов поражения;
• анализ архива данных МРТ и ретроспективный отбор пациентов;
• разметка данных морфологом для обозначения очагов поражения в предстательной железе с послойным переносом визуализированных очагов в гистологическом препарате на изображение предстательной железы в разработанном программном обеспечении, а также обучение нейросети определению злокачественного новообразования предстательной железы, локализации очагов;
• валидация данных.

Установлено, что при определенном объеме входных данных и высоком качестве их разметки нейросеть способна определять очаги РПЖ с той же точностью, что и опытный радиолог. Важное отличие исследования – исключение радиолога из процесса обучения нейросети. По результатам валидации нейросеть корректно локализовала РПЖ в 78 % случаев, в то время как радиолог – в 55 %. В процессе сравнительного анализа также выявлена способность нейросети определять РПЖ в тех зонах предстательной железы, где радиолог не мог распознать никаких визуальных паттернов, указывающих на наличие РПЖ.

Заключение. Обучение нейросети без участия рентгенолога – принципиально новый подход, позволяющий нивелировать опыт и квалификацию специалиста в интерпретации изображений, получаемых при мультипараметрической МРТ.

1. Каприн А.Д., Алексеев Б.Я., Матвеев В.Б. и др. Рак предстательной железы. Клинические рекомендации. Современная онкология 2021;23(2):211–47. DOI: 10.26442/18151434.2021.2.200959

2. Воронина Е.С., Фомкин Р.Н., Бучарская А.Б. и др. Тканевая экспрессия аутофагиального маркера LC3B как потенциальный биомаркер рецидива рака предстательной железы после лечения высокоинтенсивным сфокусированным ультразвуком (пилотное исследование). Онкоурология 2023;19(2):47–55. DOI: 10.17650/1726-9776-2023-19-2-47-55

3. Thomas M., Murali S., Simpson B.S.S. et al. Use of artificial intelligence in the detection of primary prostate cancer in multiparametric MRI with its clinical outcomes: a protocol for a systematic review and meta-analysis. BMJ Open 2023;13(8):e074009. DOI: 10.1136/bmjopen-2023-074009

4. Kasivisvanathan V., Ranniko A.S., Borghi M. et al. MRI-targeted or standard biopsy for prostate-cancer diagnosis. N Engl J Med 2018;378(19):1767–77. DOI: 10.1056/NEJMoa1801993

5. Brown L.C., Ahmed H.U., Faria R. et al. Multiparametric MRI to improve detection of prostate cancer compared with transrectal ultrasound-guided prostate biopsy alone: the PROMIS study. Health Technol Assess 2018;22(39):1–176. DOI: 10.3310/hta22390

6. Zhen L., Liu X., Yegang C. et al. Accuracy of multiparametric magnetic resonance imaging for diagnosing prostate cancer: a systematic review and meta-analysis. BMC Cancer 2019;19(1):1244. DOI: 10.1186/s12885-019-6434-2

7. Richenberg J., Løgager V., Panebianco V. et al. The primacy of multiparametric MRI in men with suspected prostate cancer. Eur Radiol 2019;29(12):6940–52. DOI: 10.1007/s00330-019-06166-z

8. Van der Leest M., Cornel E., Israël B. et al. Head-to-head comparison of transrectal ultrasound-guided prostate biopsy versus multiparametric prostate resonance imaging with subsequent magnetic resonance-guided biopsy in biopsy-naïve men with elevated prostate-specific antigen: a large prospective multicenter clinical study. Eur Urol 2019;75(4):570–8. DOI: 10.1016/j.eururo.2018.11.023

9. Ahmed H.U., El-Shater Bosaily A., Brown L.C. et al. Diagnostic accuracy of multi-parametric MRI and TRUS biopsy in prostate cancer (PROMIS): a paired validating confirmatory study. Lancet 2017;389(10071):815–22. DOI: 10.1016/S0140-6736(16)32401-1

10. Stabile A., Giganti F., Rosenkrantz A.B. et al. Multiparametric MRI for prostate cancer diagnosis: current status and future directions. Nat Rev Urol 2020;17(1):41–61. DOI: 10.1038/s41585-019-0212-4

11. Rosenkrantz A.B., Ayoola A., Hoffman D. et al. The learning curve in prostate MRI interpretation: self-directed learning versus continual reader feedback. AJR Am J Roentgenol 2017;208(3):W92–100. DOI: 10.2214/AJR.16.16876

12. Талышинский А.Э., Гулиев Б.Г., Камышанская И.Г. и др. Анализ подходов к глубокому обучению для автоматизированного выделения и сегментации предстательной железы: обзор литературы. Онкоурология 2023;19(2):101–10. DOI: 10.17650/1726-9776-2023-19-2-101-110

13. Belue M.J., Turkbey B. Tasks for artificial intelligence in prostate MRI. Eur Radiol Exp 2022;6(1):33. DOI: 10.1186/s41747-022-00287-9

14. Urinary and male genital tumours. WHO Classification of Tumors. 5th edn. Vol. 8. 2022.

15. TNM classification of malignant temours. 8th edn. 2017.

16. Gladell P., Paner M.D., John R. et al. Protocol for the examination of radical prostatectomy specimens from patients with carcinomas of the prostate gland. Version: 4.2.0.1. 2021.

17. Щамхалова К.К., Меринов Д.С., Артемов А.В., Гурбанов Ш.Ш. Искусственный интеллект и нейронные сети в урологии. Экспериментальная и клиническая урология 2023;16(2):32–7. DOI: 10.29188/2222-8543-2023-16-2-32-37

18. Lee J.G., Jun S., Cho Y.W. et al. Deep learning in medical imaging: general overview. Korean J Radiol 2017;18(4):570–84. DOI: 10.3348/kjr.2017.18.4.570

19. Степанов П.П. Искусственные нейронные сети. Молодой ученый 2017;138(4):185–7.

20. Mongan J., Moy L., Kahn C.E.Jr. Checklist for artificial intelligence in medical imaging (CLAIM): a guide for authors and reviewers. Radiol Artif Intell 2020;2(2):e200029. DOI: 10.1148/ryai.2020200029

21. Sunoqrot M.R.S., 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/s41747-022-00288-8

22. Попов Г.В., Чуб А.А., Лернер Ю.В. и др. Искусственный интеллект в диагностике рака предстательной железы. Архив патологии 2021;83(2):38–45. DOI: 10.17116/patol20218302138

23. Giganti F., Lindner S., Piper J.W. et al. Multiparametric prostate MRI quality assessment using a semi-automated PI-QUAL software program. Eur Radiol Exp 2021;5(1):48. DOI: 10.1186/s41747-021-00245-x

24. Van Leenders G.J.L.H., van der Kwast T.H., Grignon D.J. et al. The 2019 International Society of Urological Pathology (ISUP) consensus conference on grading of prostatic carcinoma. Am J Surg Pathol 2020;44(8):e87–99. DOI: 10.1097/PAS.0000000000001497

25. Le M.H., 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):6497–514. DOI: 10.1088/1361-6560/aa7731

26. Gaur S., Lay N., Harmon S.A. et al. Can computer-aided diagnosis assist in the identification of prostate cancer on prostate MRI? A multi-center, multi-reader investigation. Oncotarget 2018;9(73):33804–17. DOI: 10.18632/oncotarget.26100

27. Song Y., Zhang Y.D., Yan X. et al. Computer-aided diagnosis of prostate cancer using a deep convolutional neural network from multiparametric MRI. J Magn Reson Imaging 2018;48(6):1570–7. DOI: 10.1002/jmri.26047

28. Litjens G.J.S., Barentsz J.O., Karssemeijer N., Huisman H.J. Clinical evaluation of a computer-aided diagnosis system for determining cancer aggressiveness in prostate MRI. Eur Radiol 2015;25(11):3187–99. DOI: 10.1007/s00330-015-3743-y

29. Yu R., Jiang K.W., Bao J. et al. PI-RADSAI: introducing a new human-in-the-loop AI model for prostate cancer diagnosis based on MRI. Br J Cancer 2023;128(6):1019–29. DOI: 10.1038/s41416-022-02137-2

30. Harmon S.A., Tuncer S., Sanford T. et al. Artificial intelligence at the intersection of pathology and radiology in prostate cancer. Diagn Interv Radiol 2019;25(3):183–8. DOI: 10.5152/dir.2019.19125

31. 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):2496–506. DOI: 10.1109/TMI.2019.2901928

32. Briganti G., Le Moine O. Artificial intelligence in medicine: today and tomorrow. Front Med (Lausanne) 2020;7:27. DOI: 10.3389/fmed.2020.00027

33. Syer T., Mehta P., Antonelli M. et al. Artificial intelligence compared to radiologists for the initial diagnosis of prostate cancer on magnetic resonance imaging: a systematic review and recommendations for future studies. Cancers (Basel) 2021;13(13):3318. DOI: 10.3390/cancers13133318

34. Bulten W., Kartasalo K., Chen P.C. et al. Artificial intelligence for diagnosis and Gleason grading of prostate cancer: the PANDA challenge. Nat Med 2022;28(1):154–63. DOI: 10.1038/s41591-021-01620-2