Группа ученых представила новую модель глубокого обучения, которая показывает многообещающие результаты в обнаружении и сегментации опухолей легких. Исследование, опубликованное в журнале Radiology, может значительно улучшить лечение рака легких.
Американское онкологическое общество сообщает, что рак легких является вторым по распространенности видом рака среди мужчин и женщин в Соединенных Штатах и главной причиной смертности от онкологических заболеваний.
Точное обнаружение и сегментация опухолей легких на компьютерной томографии критически важны для мониторинга прогрессирования болезни, оценки эффективности лечения и планирования лучевой терапии. В настоящее время врачи вручную идентифицируют опухоли на медицинских изображениях, что является трудоемким процессом, зависящим от субъективного выбора специалиста.
Хотя ранее использовались методы искусственного интеллекта для обнаружения опухолей легких, предыдущие работы страдали от ограниченных наборов данных, зависимости от ручного ввода и акцента на сегментации отдельных опухолей, что подчеркивает необходимость в моделях, способных эффективно выявлять и разграничивать различные клинические состояния.
В рамках нового исследования ученые из Stanford University разработали модель на основе ансамблевого обучения, которая демонстрирует точность, сравнимую с экспертами. Модель была обучена на самом большом наборе данных из компьютерных сканирований и клинических 3D-сегментаций опухолей легких, собранных перед лучевой терапией.
«Насколько нам известно, наш набор обучающих данных является самой большой коллекцией компьютерных сканирований и клинических сегментаций опухолей, описанных в литературе», — заявил ведущий автор исследования Мехр Кашьяп, научный сотрудник медицинского факультета Stanford University.
Для ретроспективного анализа использовалась ансамблевая модель глубокого обучения 3D U-Net, обученная на 1504 компьютерных сканированиях с 1828 сегментациями опухолей легких. Модель была протестирована на 150 компьютерных томограммах, и результаты сравнивались с сегментациями, выполненными тремя врачами.
Эффективность модели оценивалась по показателям чувствительности, специфичности, частоты ложноположительных результатов и коэффициента сходства Дайса (DSC). Модель достигла чувствительности 92% и специфичности 82% при обнаружении опухолей на комбинированном наборе данных.
Для подгруппы из 100 КТ с одной опухолью легкого медиана сегментации DSC между моделью и врачами составила 0,77 и 0,80 соответственно. Время сегментации для модели было короче, чем у врачей.
Доктор Кашьяп отметил преимущество 3D-архитектуры U-Net перед 2D-моделями.
«Наша 3D-модель теоретически способна идентифицировать более мелкие поражения, которые 2D-модели могут не отличить от таких структур, как кровеносные сосуды и дыхательные пути», — сказал он.
Одним из ограничений модели была тенденция недооценивать объем опухоли, особенно при очень больших размерах. В связи с этим доктор Кашьяп рекомендовал внедрять модель в рабочий процесс под наблюдением врача для выявления и отбрасывания неправильно идентифицированных поражений.
Исследователи планируют дальнейшие исследования для оценки способности модели прогнозировать клинические результаты на основе оценки опухолевой нагрузки и сравнения с существующими методами. Они также рекомендуют исследовать возможность интеграции модели в автоматизированные системы планирования лечения и количественной оценки опухолевой нагрузки.
«Наше исследование представляет собой важный шаг на пути к автоматизации идентификации и сегментации опухолей легких», — заявил доктор Кашьяп. «Этот подход может иметь широкомасштабные последствия, включая его применение в автоматизированном планировании лечения, количественной оценке опухолевой нагрузки, оценке ответа на лечение и других радиометрических приложениях».
Литература:
Mehr Kashyap et al, Automated Deep Learning-Based Detection and Segmentation of Lung Tumors at CT, Radiology (2025). DOI: 10.1148/radiol.233029