Радиомика и искусственный интеллект

Радиомика и искусственный интеллект

Радиомика занимается объективизацией и количественной оценкой различных метрик (плотности, формы, однородности и пр.) зон интересна (англ. ROI – region of interest), которые вычисляются для сопоставления фенотипических различий тканей, которые не видны или не могут быть интерпретированы при визуальном исследовании специалиста.
Радиомика конвертирует данные изображения в многомерную и пригодную для глубокого цифрового анализа информационную среду, используя алгоритмы автоматизированной обработки экстрагируемых данных. Радиомные параметры описывают интенсивность, структуру и геометрические характеристики визуализируемого объекта. Радиомика все шире использует компьютеризированные технологии распознавания и классификации объектов. Теоретическое обоснование структурного анализа, который является здесь ключевым компонентом, было заложены еще Robert Haralick в 1973 г. при обработке фотографий. Большинство из структурных особенностей объекта вычисляются на основе серо-шкальных матриц (GLCM, gray-level co-occurrence matrices), матриц длины интенсивности сигнала (RLM, run-length matrices), а также матриц размера серо-шкальных зон (GLSZM, gray-level size zone matrices).

Радиомика <=> машинное обучение

Главная

После нормализации исходного 2D/3D-изображения алгоритм анализирует каждый пиксел/воксел на отношение к:
1) к ближайшему по соседству вокселу (GLCM, вторичные характеристики)
2) к длине пробега вокселей подобного уровня серой шкалы (RLM, первичные характеристики)
Данные вычисления выполняются для четырехмерного сравнительного анализа каждого из вокселей под углом 45 градусов. Далее все четыре матрицы усредняются для обработки полной экстрагированной информации. Для использования пространственных характеристик 3D изображений этот процесс повторяется дважды для остальных направлений 3D ориентации. В сравнении с анализом первого порядка (гистограмма) анализ второго и более высоких порядков имеют фундаментальные преимущества: вместо суммирования значений в пределах перцентилей и измерения пика или наклона гистограммы, текстурный анализ использует точную локализацию каждого воксела по отношению к соседнему пикселю/вокселю.

Главная

Критерий GLSZM принимает во внимание размер каждый пиксель/воксельной зоны с зоной аналогичного уровня интенсивности независимо под каким углом они соседствуют. После калькуляции этих матриксов алгоритм вычисляет параметры структуры с математическим усилением различных отличительных аспектов матриц. Дальнейшие группы радиомных параметров включают интенсивность, форму и вейвлет (волновые) характеристики. Интенсивность опухоли характеризуется статистикой первого порядка, вычисляемых из гистограммы значений интенсивности вокселей. Характеристики формы количественно описывают сферичность и компактность изображения, в то время как волновые (вейвлет) характеристики вычисляют интенсивность и структурные особенности волновых разложений (различные диапазоны частот) оригинального изображения.

Последовательность процессов в онкорадиомике выглядит следующим образом: Первым этапом является получение медицинских изображений, который является стандартной частью диагностического алгоритма по данному заболеванию. Следующим шагом является выделение зон интереса (regions of interest, ROI) и аннотация/сегментация границ опухоли. Чаще всего сегодня это производится опытным радиологом, но число алгоритмов полуавтоматического и полностью автоматического сегментирования для различных анатомических областей постоянно растет. После определения ROI алгоритм вычисляет параметры, которые используются как стандартная библиотека предопределенных математических экспрессий, специфичных для радиомных характеристик (PyRadiomics). После выделения прогностических параметров создается предиктивная модель, такая как бинарная классификация или модель выживаемости на основе регрессии Кокса, которая прогнозирует желаемый параметр (общая или безрецидивная выживаемость, потенциал отдаленного метастазирования, молекулярный профиль и т.п.). Радиомные алгоритмы прогоняются множество раз для построения прогностических моделей (радиомных сигнатур) для диагностики, прогноза и ответа на лечение. Когда эти модели комбинируются с генетическими и протеомными данными, термин радиомика аргументированно преобразуется в радиогеномику ( или мультиомику.

В ядерной медицине качество изображений зависит от множества факторов, включая введенную активность радиофармпрепарата (РФП). «Искусственный интеллект» (ИИ) может повысить качество изображения путем улучшения реконструкции, что приведет к уменьшению величины реактивности, необходимой для получения аналогичного качества изображения. Назначенная активность (радиационная доза), однако, не может быть ниже определенного порога, который является своего рода нижним компромиссом между введенной активностью и качеством изображения. ИИ также помогает нам уменьшить лучевую нагрузку на население путем назначения радиоизотопных (и других лучевых) исследований только тем пациентам, которые будут иметь пользу, избегая необоснованных назначений. Уменьшение время получения изображения также очень важно, особенно в детской когорте, что приводит к снижению риска артефактов движения, особенно с учетом того, а число их драматические увеличивается с увеличением времени получения изображения. Помимо того, снижение время исследования уменьшает необходимость анестезии и седации отдельных пациентов. Это особенно актуально у пациентов с высоким риском анестезии: при обструктивных болезнях легких, астме, нарушениям внутричерепного давления, сердечно-легочной недостаточности и пр.

Как это выглядит на рабочем месте

Радиомика и искусственный интеллект

Искусственный интеллект (ИИ) берет свое начало с середины 20 века. В 1950 году Alan Turing так начал свою главную научную статью: “Я предлагаю поразмыслить над вопросом: “Могут ли машины думать?”“
Этот вопрос определил начало бурно растущего сегодня направления информатизации и компьютеризации, предоставляя огромные возможности в развитии медицины, включая диагностические изображения. В 1955 году Jhon McCarthy впервые предложил использовать термин «искусственный интеллект». В 1959 году Artur Samuel (IBA) ввел термин «машинное обучение», который стал частью ИИ, и под которым понимается автоматическое обучение компьютеров погружаемыми в них данными. Принцип машинного обучения – создание и совершенствование математических алгоритмов. В широком смысле, процессы машинного обучения можно классифицировать как наблюдаемые (supervised), полу-наблюдаемые (semi-supervised), ненаблюдаемые (unsupervised) и пополняемые (reinforced).
Наблюдаемое машинное наблюдение, пожалуй, самая часто используемая технология в радиологических исследованиях:

После чего статистические измерения, такие как площадь под кривой операционных характеристик (receiver operating characteristic curve, AUROC), обеспечивают информацию о том, насколько хорошо алгоритм предсказал эталонные величины (чувствительность, специфичность и т.д.).

Главная

Глубокое обучение (Deep learning, DL) – подраздел машинного обучения, описывающих архитектуру специфичных алгоритмов. Множественные слои иерархически организованных и перекрещивающихся алгоритмов производят огромное число данных для обучения, помеченных эталонными величинами и «изучаемыми» параметрами, характеризующих эталонные величины. Архитектура алгоритмов формирует искусственную нейросеть, напоминающая нейронную архитектуру зрительной коры головного мозга. Задачей нейросети является обнаружение набор внутренних параметров модели, которые хорошо работают по отношению к таким показателям как логарифмическая функция потерь или средне квадратичная ошибка.

Главная

Несмотря на значительный прогресс в радиомике в последние годы, количественные биомаркеры визуализации (quantitative imaging biomarkers, QIBs) в основном страдает от низкого уровня качества и воспроизводимости собственно самого исследования. Это возможно регулировать только четкими рекомендациями и ответственностью за их исполнение. Воспроизводимость, например, определена как способность повторного исследования при идентичных или почти идентичных условиях процедуры, действий операторов, рабочих характеристик оборудования и временных параметров. Ненадлежащее качество и неидентичная воспроизводимость визуализаций являются главными причинами существенной вариабельности радимных биомаркеров, приводящих к ненадежности предиктивных радиомных моделей. Известно, что различные параметры могут повлиять на это: интрапроцессинговые параметры, например такие сроки и скорость введения контрастного вещества, различные фазы контрастирования: а также пост-процессинговые параметры, такие как толщина реконструированных срезов, пространственное разрешение и пр.  

Специалисты получают дополнительные инструменты на платформе благодаря ИИ

Главная

Перспективы

Для успешного и последовательного внедрения принципов количественного, а не качественного, прочтения медицинских визуализаций необходимо разрабатывать и внедрять в клиническую практику радиологов технологий машинного обучения, а глобально – искусственного интеллекта (ИИ). Технологии ИИ должны ненавязчиво, дружелюбно и интуитивно понятно использоваться современными радиологами, причем независимо от их возраста, должности, научной степени или академических званий. Скептицизм и порой раздражение радиологов в части информатизации здравоохранения, которая чрезвычайно гетерогенна и порой хаотична, не должен экстраполироваться на радиомику, которая находится во внутреннем контуре и является компиляцией госпитальных информационных систем (electronic hospital record, EHR) и DICOM-архивов (Picture Archiving and Communication Systems, PACS), систем распознавания голоса (отсутствуют как класс в РФ).

С позиций радиологов, технологии машинного обучения могут применяться для:

Регуляторная практика в части ИИ-базируемых медицинских приборов находилась в разработке. 2 апреля 2019 года FDA (U.S. Food and Drugs Administration) предложил усовершенствованную регуляторную базу для использующих ИИ медицинских приборов, которая послужила образцом для подражания для других стран (https://www.fda.gov/media/122535/download). Подобно другим медицинским устройствам, классификация риска подобного прибора, который предоставляет информацию или определяет клиническую тактику понижается до класса 1 или (максимально) до класса 2.

X