Применение методов глубокого обучения в диагностике объемных новообразований печени. Система HepatoScan AI
Аннотация
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.
Об авторах
Алексей Васильевич ШабунинРоссия
академик РАН, д.м.н., профессор, заведующий кафедрой хирургии Российской медицинской академии непрерывного профессионального образования, директор ГБУЗ “Московский многопрофильный научно-клинический центр им. С.П. Боткина” ДЗ города Москвы
Марк Николаевич Аладин
Россия
аспирант кафедры хирургии РМАНПО, врач-хирург отделения хирургии печени и поджелудочной железы ММНКЦ им. С.П. Боткина
Михаил Михайлович Тавобилов
Россия
д.м.н., профессор кафедры хирургии Российской медицинской академии непрерывного профессионального образования, заведующий отделением хирургии печени и поджелудочной железы
ГБУЗ “Московский многопрофильный научно-клинический центр им. С.П. Боткина” ДЗ города Москвы
Список литературы
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
Рецензия
Для цитирования:
Шабунин А.В., Аладин М.Н., Тавобилов М.М. Применение методов глубокого обучения в диагностике объемных новообразований печени. Система HepatoScan AI. Анналы хирургической гепатологии. 2025;30(2).
Послать статью по эл. почте 