Применение методов глубокого обучения в диагностике объемных новообразований печени. Система HepatoScan AI
Abstract
Цель. Оценить эффективность применения искусственного интеллекта (ИИ) для диагностики очаговых поражений печени на примере оригинальной системы HepatoScan AI.
Материал и методы. Проведён анализ применения системы HepatoScan AI, разработанной на основе глубокого обучения (nnU-Net) для автоматического выявления и классификации четырёх типов очаговых образований печени (фокально-нодулярная гиперплазия (ФНГ), гепатоцеллюлярная карцинома (ГЦК), гемангиома, простая киста). Оценивали диагностическую эффективность алгоритма по площади под ROC-кривой (ROC AUC).
Результаты. Полученные значения ROC AUC составили: для ФНГ – 0,852, ГЦК – 0,762, гемангиомы – 0,802, простых кист – 0,845. Максимальная диагностическая точность была достигнута для доброкачественных образований (ФНГ, кисты).
Заключение. Система HepatoScan AI демонстрирует перспективность интеграции методов ИИ в клиническую практику хирургической гепатологии для улучшения качества диагностики и планирования лечения пациентов с очаговыми поражениями печени.
About the Authors
Алексей ШабунинRussian Federation
Марк Аладин
Russian Federation
Михаил Тавобилов
Russian Federation
References
1. Sung H., Ferlay J., Siegel R.L., Laversanne M., Soerjomataram I., Jemal A., Bray F. Global cancer statistics 2020: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers // CA Cancer J. Clin. 2021. Т. 71, № 3. С. 209–249. https://doi.org/10.3322/caac.21660
2. Akgül Ö., Çetinkaya E., Ersöz S., Tez M. Role of surgery in colorectal cancer liver metastases // World J. Gastroenterol. 2014. Т. 20, № 20. С. 6113–6122. https://doi.org/10.3748/wjg.v20.i20.6113
3. Chakedis J., Squires M.H., Beal E.W., Hughes T., Lewis H., Paredes A., Al-Mansour M., Sun S., Cloyd J.M., Pawlik T.M. Update on current problems in colorectal liver metastasis // Curr. Probl. Surg. 2017. Т. 54, № 11. С. 554–602. https://doi.org/10.1067/j.cpsurg.2017.10.002
4. Engstrand J., Nilsson H., Strömberg C., Jonas E., Freedman J. Colorectal cancer liver metastases – a population-based study on incidence, management and survival // BMC Cancer. 2018. Т. 18, № 1. С. 78. https://doi.org/10.1186/s12885-017-3925-x
5. Horn S.R., Stoltzfus K.C., Lehrer E.J., Dawson L.A., Tchelebi L., Gusani N.J., Sharma N.K., Chen H., Trifiletti D.M., Zaorsky N.G. Epidemiology of liver metastases // Cancer Epidemiol. 2020. Т. 67. Статья 101760. https://doi.org/10.1016/j.canep.2020.101760
6. Park H.J., Kim J.H., Choi S.Y., Lee E.S., Park S.J., Park J.H., Lee K.H. Radiomics and deep learning: hepatic applications // Korean J. Radiol. 2020. Т. 21, № 4. С. 387–401. https://doi.org/10.3348/kjr.2019.0752
7. Yasaka K., Akai H., Kunimatsu A., Kiryu S., Abe O. Deep learning with convolutional neural network in radiology // Jpn. J. Radiol. 2018. Т. 36, № 4. С. 257–272. https://doi.org/10.1007/s11604-018-0726-3
8. Hamm C.A., Wang C.J., Savic L.J., Ferrante M., Schobert I., Schlachter T., Lin M., Duncan J.S., Weinreb J.C., Chapiro J. Deep learning for liver tumor diagnosis part I: development of a convolutional neural network classifier for multi-phase CT images // Eur. Radiol. 2019. Т. 29, № 7. С. 3338–3347. https://doi.org/10.1007/s00330-018-5945-z
9. Chen J., Lu Y., Yu Q., Luo X., Adeli E., Wang Y., Lu L., Yuille A.L., Zhou Y. TransUNet: Transformers make strong encoders for medical image segmentation // arXiv preprint arXiv:2102.04306. 2021. URL: https://arxiv.org/abs/2102.04306
10. Shirota M., Saito K., Sato Y., Matsuo Y., Takayama T. Evaluation of deep learning for segmentation of liver tumors in CT images // Med. Phys. 2021. Т. 48, № 1. С. 368–377. https://doi.org/10.1002/mp.14496
11. Doi K. Computer-aided diagnosis in medical imaging: historical review, current status and future potential // Comput. Med. Imaging Graph. 2007. Т. 31, № 4–5. С. 198–211. https://doi.org/10.1016/j.compmedimag.2007.02.002
12. Chlebus G., Schenk A., Moltz J.H., van Ginneken B., Hahn H.K., Meine H. Automatic liver tumor segmentation in CT with fully convolutional neural networks and object-based postprocessing // Sci. Rep. 2018. Т. 8. Статья 15497. https://doi.org/10.1038/s41598-018-33564-8
13. Esteva A., Kuprel B., Novoa R.A., Ko J., Swetter S.M., Blau H.M., Thrun S. Dermatologist-level classification of skin cancer with deep neural networks // Nature. 2017. Т. 542, № 7639. С. 115–118. https://doi.org/10.1038/nature21056
14. Ahn S.J., Lee J.M., Chang W., Lee S.M., Yoon J.H. Liver imaging using deep learning: Current status and future directions // Korean J. Radiol. 2021. Т. 22, № 2. С. 203–216. https://doi.org/10.3348/kjr.2020.0503
15. Liu M., Zeng W., Zhang Y., Wu X., Wang J. Liver tumor segmentation based on hybrid convolutional neural networks with dual feature fusion // Biomed. Signal Process. Control. 2021. Т. 68. Статья 102746. https://doi.org/10.1016/j.bspc.2021.102746
16. Krizhevsky A., Sutskever I., Hinton G.E. ImageNet classification with deep convolutional neural networks // Commun. ACM. 2017. Т. 60, № 6. С. 84–90. https://doi.org/10.1145/3065386
17. Wang K., Lu X., Zhou H., Gao Y., Zheng J., Tong M., Wu C., Liu C., Huang L., Meng X. Deep learning-based classification of hepatocellular carcinoma and cirrhotic nodules in multiphase CT images: A feasibility study // Eur. Radiol. 2019. Т. 29, № 7. С. 2899–2907. https://doi.org/10.1007/s00330-018-5894-6
18. Lambin P., Rios-Velazquez E., Leijenaar R., Carvalho S., van Stiphout R.G.P.M., Granton P., Zegers C.M.L., Gillies R., Boellard R., Dekker A., Aerts H.J.W.L. Radiomics: extracting more information from medical images using advanced feature analysis // Eur. J. Cancer. 2012. Т. 48, № 4. С. 441–446. https://doi.org/10.1016/j.ejca.2011.11.036
19. Gillies R.J., Kinahan P.E., Hricak H. Radiomics: Images are more than pictures, they are data // Radiology. 2016. Т. 278, № 2. С. 563–577. https://doi.org/10.1148/radiol.2015151169
20. Aerts H.J., Velazquez E.R., Leijenaar R.T.H., Parmar C., Grossmann P., Carvalho S., Bussink J., Monshouwer R., Haibe-Kains B., Rietveld D., Hoebers F., Rietbergen M.M., Leijenaar R.T.H. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach // Nat. Commun. 2014. Т. 5. Статья 4006. https://doi.org/10.1038/ncomms5006
21. Huo Y., Tang Y., Kim Y., Xu W., Wang Z., Wang X. CT segmentation of the liver and tumors from portal phase images using deep learning: A feasibility study // Med. Phys. 2019. Т. 46, № 11. С. 5129–5136. https://doi.org/10.1002/mp.13729
22. Liu F., Guan W., Tian J., Zhang Z., Wang X. Automatic detection and classification of focal liver lesions using deep learning algorithms: A feasibility study // Eur. Radiol. 2021. Т. 31, № 2. С. 966–975. https://doi.org/10.1007/s00330-020-07168-1
23. Haghshomar M., Rodrigues D., Kalyan A., Singh S., Han J., Romagnoli J., Cao J. Leveraging radiomics and AI for precision diagnosis and prognostication of liver malignancies // Front. Oncol. 2024. Т. 14. Статья 1362737. https://doi.org/10.3389/fonc.2024.1362737
24. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // arXiv preprint arXiv:1505.04597. 2015. URL: https://arxiv.org/abs/1505.04597
25. Lu F., Wu F., Hu P., Peng Z., Kong D. Automatic 3D liver location and segmentation via convolutional neural network and graph cut // Int. J. Comput. Assist. Radiol. Surg. 2017. Т. 12, № 2. С. 171–182. https://doi.org/10.1007/s11548-016-1489-2
26. Çiçek Ö., Abdulkadir A., Lienkamp S.S., Brox T., Ronneberger O. 3D U-Net: Learning dense volumetric segmentation from sparse annotation // Medical Image Computing and Computer-Assisted Intervention – MICCAI 2016. 2016. Т. 9901. С. 424–432. https://doi.org/10.1007/978-3-319-46723-8_49
27. Milletari F., Navab N., Ahmadi S.A. V-Net: Fully convolutional neural networks for volumetric medical image segmentation // 2016 Fourth International Conference on 3D Vision (3DV). 2016. С. 565–571. https://doi.org/10.1109/3DV.2016.79
28. Isensee F., Jaeger P.F., Kohl S.A.A., Petersen J., Maier-Hein K.H. nnU-Net: A self-configuring method for deep learning-based biomedical image segmentation // Nat. Methods. 2021. Т. 18, № 2. С. 203–211. https://doi.org/10.1038/s41592-020-01008-z
29. Oktay O., Schlemper J., Le Folgoc L., Lee M., Heinrich M., Misawa K., Mori K., McDonagh S., Hammerla N.Y., Kainz B., Glocker B., Rueckert D. Attention U-Net: Learning where to look for the pancreas // arXiv preprint arXiv:1804.03999. 2018. URL: https://arxiv.org/abs/1804.03999
30. Chen J., Lu Y., Yu Q., Luo X., Adeli E., Wang Y., Lu L., Yuille A.L., Zhou Y. TransUNet: Transformers make strong encoders for medical image segmentation // arXiv preprint arXiv:2102.04306. 2021. URL: https://arxiv.org/abs/2102.04306
31. Cao H., Wang Y., Chen J., Jiang D., Zhang X., Tian Q., Wang M. Swin-Unet: Unet-like pure transformer for medical image segmentation // arXiv preprint arXiv:2105.05537. 2021. URL: https://arxiv.org/abs/2105.05537
Review
For citations:
, , . Annaly khirurgicheskoy gepatologii = Annals of HPB Surgery. 2025;30(2).
Email this article 