Разработка системы на базе глубокого обучения для помощи в принятии врачебных решений в определении оценок по системе PI-RADS: международное многоцентровое исследование

Введение. Проведение мультипараметрической магнитно-резонансной томографии предстательной железы широко рекомендуется в клинической практике перед выполнением биопсии предстательной железы. Система отчетности данных магнитно-резонансной томографии предстательной железы (Prostate Imaging Reporting and Data System, PI-RADS) является стандартным инструментом для диагностики и принятия врачебных решений. Однако точный анализ данных мультипараметрической магнитно-резонансной томографии требует высокой экспертности, и трудоемкий, когнитивно насыщенный процесс часто снижает согласованность оценок между разными специалистами и у одного и того же специалиста.

Цель исследования – разработка системы компьютерной диагностики на базе глубокого обучения (DL-CAD) для минимизации влияния ручной сегментации на определение оценок PI-RADS.

Материалы и методы. С января 2020 г. по май 2024 г. ретроспективно отобраны 108 пациентов с гистологически подтвержденным раком предстательной железы с оценками PI-RADS 4–5 для разработки модели и тренировки. Для валидации модели были включены 28 доброкачественных случаев. Различные зоны предстательной железы были помечены в соответствии с руководствами PI-RADS v2.1 для облегчения выбора модели. Ручная сегментация областей предстательной железы и поражений выполнена на T2-взвешенных последовательностях, и была реализована архитектура 3D U-Net для модели глубокого обучения с использованием фреймворка MONAI. Диагностическая эффективность оценивалась с помощью статистического анализа на Python.

Результаты. Система DL-CAD показала среднюю точность 78 %, чувствительность 60 % и специфичность 84 % при обнаружении поражений. Коэффициент сходства Dice для сегментации предстательной железы составил 0,71, а площадь под ROC-кривой (AUROC) – 81,16 %.

Заключение. Система DL-CAD демонстрирует перспективы для пациентов с клинически значимым раком предстательной железы за счет повышения диагностической точности. Несмотря на высокую специфичность, необходимы дальнейшие улучшения в чувствительности и точности сегментации. Эти улучшения могут быть достигнуты за счет использования более крупных наборов данных и передовых техник глубокого обучения, таких как трансферное обучение или ансамблевое обучение, которые могут повысить чувствительность без ущерба для специфичности. Требуется дальнейшая многоцентровая валидация для ускорения интеграции данной системы в клиническую практику.

1. Bray F., Ferlay J., Soerjomataram I. et al. Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin 2018;68(6):394–424. DOI: 10.3322/caac.21492

2. Bagheri H., Mahdavi S.R., Geramifar P. et al. An update on the role of mpMRI and (68)Ga-PSMA PET imaging in primary and recurrent prostate cancer. Clin Genitourin Cancer 2024;22(3):102076. DOI: 10.1016/j.clgc.2024.102076

3. Kaneko M., Sugano D., Lebastchi A.H. et al. Techniques and outcomes of MRI-TRUS fusion prostate biopsy. Curr Urol Rep 2021;22(4):27. DOI: 10.1007/s11934-021-01037-x

4. Weinreb J.C., Barentsz J.O., Choyke P.L. et al. PI-RADS prostate imaging – reporting and data system: 2015, Version 2. Eur Urol 2016;69(1):16–40. DOI: 10.1016/j.eururo.2015.08.052

5. Ahdoot M., Lebastchi A.H., Long L. et al. Using Prostate Imaging-Reporting and Data System (PI-RADS) scores to select an optimal prostate biopsy method: a secondary analysis of the Trio study. Eur Urol Oncol 2022;5(2):176–86. DOI: 10.1016/j.euo.2021.03.004

6. Padhani A.R., Barentsz J., Villeirs G. et al. PI-RADS Steering Committee: the PI-RADS multiparametric MRI and MRI-directed biopsy pathway. Radiology 2019;292(2):464–74. DOI: 10.1148/radiol.2019182946

7. Wen J., Liu W., Shen X., Hu W. PI-RADS v2.1 and PSAD for the prediction of clinically significant prostate cancer among patients with PSA levels of 4-10 ng/ml. Sci Rep 2024;14(1):6570. DOI: 10.1038/s41598-024-57337-y

8. He M., Cao Y., Chi C. et al. Research progress on deep learning in magnetic resonance imaging-based diagnosis and treatment of prostate cancer: a review on the current status and perspectives. Front Oncol 2023;13:1189370. DOI: 10.3389/fonc.2023.1189370

9. Smani S., Jalfon M., Sundaresan V. et al. Inter-reader reliability and diagnostic accuracy of PI-RADS scoring between academic and community care networks: how wide is the gap? Urol Oncol 2024;S1078-1439(24)00681-1. DOI: 10.1016/j.urolonc.2024.10.002

10. Savadjiev P., Chong J., Dohan A. et al. Demystification of AI-driven medical image interpretation: past, present and future. Eur Radiol 2019;29(3):1616–24. DOI: 10.1007/s00330-018-5674-x

11. Rouvière O., Jaouen T., Baseilhac P. et al. Artificial intelligence algorithms aimed at characterizing or detecting prostate cancer on MRI: How accurate are they when tested on independent cohorts? A systematic review. Diagn Interv Imaging 2023;104(5):221–34. DOI: 10.1016/j.diii.2022.11.005

12. Taye M.M. Understanding of machine learning with deep learning: architectures, workflow, applications and future directions. Computers 2023;12(5):91.

13. Alzubaidi L., Bai J., Al-Sabaawi A. et al. A survey on deep learning tools dealing with data scarcity: definitions, challenges, solutions, tips, and applications. J Big Data 2023;10(1):46. DOI: 10.1186/s40537-023-00727-2

14. Singh D., Kumar V., Das C.J. et al. Machine learning-based analysis of a semi-automated PI-RADS v2.1 scoring for prostate cancer. Front Oncol 2022;12:961985. DOI: 10.3389/fonc.2022.961985

15. Annamalai A., Fustok J.N., Beltran-Perez J. et al. Interobserver agreement and accuracy in interpreting mpMRI of the prostate: a systematic review. Curr Urol Rep 2022;23(1):1–10. DOI: 10.1007/s11934-022-01084-y

16. Min X., Li M., Dong D. et al. Multi-parametric MRI-based radiomics signature for discriminating between clinically significant and insignificant prostate cancer: cross-validation of a machine learning method. Eur J Radiol 2019;115:16–21. DOI: 10.1016/j.ejrad.2019.03.010

17. Liu Y., Zheng H., Liang Z. et al. Textured-based deep learning in prostate cancer classification with 3T multiparametric MRI: comparison with PI-RADS-based classification. Diagnostics (Basel) 2021;11(10):1785. DOI: 10.3390/diagnostics11101785

18. Aldoj N., Lukas S., Dewey M., Penzkofer T. Semi-automatic classification of prostate cancer on multi-parametric MR imaging using a multi-channel 3D convolutional neural network. Eur Radiol 2020;30(2):1243–53. DOI: 10.1007/s00330-019-06417-z

19. Saha A., Bosma J.S., Twilt J.J. et al. Artificial intelligence and radiologists in prostate cancer detection on MRI (PI-CAI): an international, paired, non-inferiority, confirmatory study. Lancet Oncol 2024;25(7):879–87. DOI: 10.1016/s1470-2045(24)00220-1

20. 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

21. Hoar D., Lee P.Q., Guida A. et al. Combined transfer learning and test-time augmentation improves convolutional neural network-based semantic segmentation of prostate cancer from multi-parametric MR images. Comput Methods Programs Biomed 2021;210:106375. DOI: 10.1016/j.cmpb.2021.106375