На одном дыхании: как ИИ изменил подход к компьютерной томографии легких

Директор департамента по продуктам разработчика ИИ-решений в сфере медицины СберМедИИ Елена Соколова о том, как ИИ изменил подход к компьютерной томографии (КТ) легких.

В мае 2020 года московское правительство сообщило, что искусственный интеллект всего за две недели обработал 30 тысяч КТ-исследований легких в Москве. Технология активно применялась в стационарах и амбулаторных КТ-центрах, где был сосредоточен основной поток пациентов с COVID-19.

На тот момент в России насчитывалось уже 114 431 больных. И вслед за Москвой использованием ИИ-технологий в интерпретации КТ легких заинтересовались другие регионы.

Сервис «КТ Легких» разрабатывался Лабораторией ИИ Сбера и СберМедИИ для помощи рентгенологам в начале пандемии. Уже с первым релизом мы получили много запросов из регионов и тут же начали пилотировать сервис. Разбираемся, что сделало столь актуальным повсеместное использование ИИ в обработке КТ-снимков в пандемию, как работает эта технология сегодня и в чем конкретно она помогает врачам.

Компьютерная томография (КТ) давно стала привычным методом диагностики в медицине. Но появление ИИ-технологий многое изменило и в методе проведения исследования, и в скорости интерпретации его результатов. У врача-рентгенолога теперь есть помощник, который может быстро обработать множество снимков, выделить на них потенциально опасные участки и сразу обратить внимание врача на патологию. ИИ с высокой точностью высчитает долю поражения и сформирует предварительное заключение, которое потом верифицирует врач. Особенно сильно такая помощь понадобилась врачам, когда больницы и поликлиники стали принимать сотни и тысячи пациентов с ковидом.

В самом начале пандемии КТ-обследование для оценки динамики заболевания проводилось пациентам в первый и на третий день после начала терапии. Рентгенологи вручную высчитывали долю поражения и выдавали заключение о динамике развития болезни. По этим данным оценивалась эффективность проводимой терапии и выбиралась действенная методика лечения, которая могла бы помочь большему числу пациентов и спасти как можно больше жизней.

В СберМедИИ понимали эти «боли» врачей и поэтому работали над созданием технологии, которая упростила и ускорила бы процессы исследования, а также ранжировала пациентов по степени тяжести. Важно было не упускать драгоценное время и в первую очередь анализировать КТ-снимки наиболее сложных пациентов, особо сильно нуждающихся в быстром отслеживании динамики развития болезни.

Времени на создание сервиса было мало. На фоне пандемии нагрузка на рентгенологов с каждым днем возрастала, они работали день и ночь. Было всего две недели на создание первой версии модели, а основную трудность представлял поиск врачей для разметки собранных датасетов, потому что все рентгенологи были задействованы «в полях» и работали в несколько смен.

Однако опытные рентгенологи из московских клиник нашли время на участие в проекте, разметили данные и выделили на снимках пораженные области. Модель обучили на исследованиях, включавших суммарно более 100 тысяч срезов и в рекордно короткие сроки начали запускать первые пилоты.

Это была настоящая проверка. Разработчики оперативно собирали обратную связь, дообучали модели, решали технические вопросы. Например, в одном из регионов модель во время пилотирования показала более низкое качество результатов. Выяснилось, что клиники региона работают на оборудовании, снимки с которого не попали в первоначальную обучающую выборку (эта проблема часто встречается при создании медицинских ИИ-сервисов). Разработчики быстро собрали дополнительный датасет, дообучили модель и решили вопрос. В итоге внедрение разработок СберМедИИ в региональных клиниках и больницах позволило на 20% сократить время получения результатов анализа снимков. Разработанная модель постоянно совершенствуется, проходит обучение с экспертом на новых данных.

Процесс работы алгоритма делится на несколько этапов: сначала идет предварительная подготовка снимков, затем проводится сегментация изображения и автоматически выделяются патологические участки. Далее ИИ распознает объекты, дает количественную оценку выявленных патологических участков и формирует предварительное заключение с описанием исследования. На последнем этапе заключение верифицирует врач-рентгенолог клиники или, при необходимости, врач Медицинского цифрового диагностического центра (MDDC), цифровой платформы СберМедИИ.

Например, в США группа ученых попыталась понять, насколько успешно разные модели ИИ выявляют признаки COVID-19 по КТ-снимкам грудной клетки.

Разработчики протестировали две классификационные модели: полная 3D-модель изучала всю область легких, преобразовывая изображение в соответствии с заданными размерами, а гибридная 3D-модель строила изображение на основе нескольких томографических срезов. Всего для обучения и тестирования технологии было использовано 2 724 сканирования 2 617 пациентов, в том числе с подтвержденным коронавирусом.

Эксперимент показал, что полная 3D-модель правильно определяет признаки COVID-19 у 87 из 109 пациентов, а гибридная модель — только у 74 из 109. Ученые также обратили внимание на то, что машина лучше распознавала раннюю пневмонию и хуже справлялась с диагностикой прогрессирующего течения заболевания.

Проблемой тут же заинтересовались ученые из Китая. Их нейронная сеть CovNet научилась различать признаки коронавируса и внебольничной пневмонии. Принцип работы трехмерной модели был представлен в журнале Radiology: в качестве входных данных сеть использует фрагменты КТ-снимка, потом генерирует функцию для соответствующих фрагментов, объединяет извлеченные элементы с составлением карты функций и под конец оценивает вероятность для каждой патологии — пневмонии при COVID-19, внебольничной пневмонии и заболеваний, не являющихся пневмонией. Для визуализации пораженных зон ученые ввели тепловые карты. Алгоритм выделяет красным цветом подозрительные области для каждого прогнозируемого класса и акцентирует таким образом на них внимание рентгенолога.

Выяснилось, что CovNet безошибочно выявляет ковидную пневмонию в подавляющем большинстве случаев. Чувствительность сети при обнаружении COVID-19 составила 90%, а специфичность — 96%.

Наряду с диагностикой covid-19 ученые также не прекращали ранее начатой работы по выявлению на КТ с помощью ИИ признаков и других заболеваний, того же рака легких, от которого во всем мире ежегодно умирает около 1,6 млн человек. Например, в Массачусетском технологическом институте (MIT) группа ученых разработала модель глубокого обучения для прогнозирования будущего риска рака с громким названием Sybil (по аналогии с древнегреческими странствующими пророчицами сивиллами). Модель обучали на основе снимков, собранных в ходе национального исследования по скринингу легких, которое проводилось с 2002 по 2004 год. До тестирования Sybil на КТ-снимках без явных признаков рака команда разметила сотни снимков с явными злокачественными образованиями: надо было научить машину адекватно оценить все риски. В ходе эксперимента выяснилось, что модель видела потенциальные риски даже там, где люди не могли определить местонахождение злокачественной опухоли в теле.

В России тоже шла работа в этом направлении. Так, в 2021 году разработчики СберМедИИ дообучили алгоритм «КТ Легких» определять ранние признаки онкологических заболеваний. Машина отмечает области возможных патологий цветовыми подсказками, ранжирует медицинские снимки по степени вероятности наличия патологии и формирует предварительное заключение. Если ИИ «видит» новообразование размером в 4 мм, он выделяет все узелки на снимке независимо от их размера.

Далее исследование проверяется рентгенологом медучреждения или направляется врачу MDDC для верификации. Если у человека выявлен высокий риск онкологии, его сразу направляют в онкодиспансер, где врачи принимают решение о его дообследовании и дальнейшей маршрутизации.

Усовершенствованный сервис «КТ Легких» в апреле-мае 2022 года пилотировался в Нижегородской области. ИИ проанализировал там 5121 исследований, обнаружив 184 случай возможных новообразований. После верификации врачами 124 результата КТ легких были направлены в Нижегородский онкодиспансер.

Позже, в октябре 2022 года, был проведен пилот технологии в Областной клинической больнице №3 в Челябинске, где ИИ проанализировал 261 исследование и выявил 68 подозрений на онкологическое заболевание. 13 случаев с подозрением на злокачественное новообразование были верифицированы врачами.

ИИ обнаруживает любые малозаметные патологии, сокращает время интерпретации изображения и повышает клиническую достоверность результатов, параллельно увеличивая пропускную способность пациентов. У врача обычно уходит много времени на измерение и расчет области поражения, а сервис делает это автоматически, быстро и точно вычисляет долю поражения легкого, врачу остается только проверить и подтвердить результаты. В будущем мы, возможно, придем к тому, что все визуальные медицинские исследования будут подвергаться сначала интерпретации алгоритмами ИИ, а затем верифицироваться врачом. Такой подход снизит нагрузку на рентгенологов и число диагностических ошибок, поскольку врач, как правило, сосредоточен на поиске конкретной патологии, а мультицелевой алгоритм всегда действует одинаково и может увидеть то, что случайно мог не различить человеческий глаз.

Источник: Газета.Ru

Изображение: Даша Зайцева/«Газета.Ru»