Role of artificial intelligence and novel visualization techniques in the early diagnosis of pancreatic cancer: a review

Full Text

ВВЕДЕНИЕ

Рак поджелудочной железы (РПЖ) — злокачественное новообразование (ЗНО) пищеварительного тракта, характеризующееся быстрой прогрессией, инвазивностью, отсутствием ярко выраженных симптомов на ранних стадиях заболевания, а также склонностью к рецидивам после хирургического лечения [1]. Протоковая аденокарцинома поджелудочной железы (ПАПЖ) является наиболее распространённым типом РПЖ, который в 80–85% случаев отличается прогрессирующим течением или наличием отдалённых метастатических очагов. Кроме того, 5-летняя выживаемость при РПЖ составляет 12% — наименьший показатель среди всех видов ЗНО, что подчёркивает важную роль ранней диагностики и лечения пациентов [2].

Несмотря на успехи в изучении ПАПЖ, она по-прежнему имеет неблагоприятный прогноз ввиду поздней диагностики и ограниченных возможностей лечения на поздних стадиях заболевания. Сложность раннего выявления в сочетании с ожидаемым ростом заболеваемости, обусловленным такими факторами риска, как ожирение и сахарный диабет у лиц старше 50 лет, создаёт предпосылки к увеличению распространённости данной патологии [3, 4]. В 2023 году в Соединённых Штатах Америки (США) зарегистрировано 62 210 новых случаев ПАПЖ, а количество летальных исходов в 2022 году — 49 380 человек [3]. Из 57 600 зафиксированных в 2020 году случаев у 55% уже выявлены метастатические поражения [4]. На долю ПАПЖ приходится 2 и 5% всех случаев рака и смертей от него в США соответственно, что подчёркивает острую необходимость более раннего выявления данной патологии [5]. В 2019 году в России РПЖ в структуре онкологической заболеваемости составил у мужчин и женщин 3,4 и 3,0% соответственно. За 10 лет наблюдают увеличение заболеваемости на 11,4 и 25% у мужчин и женщин соответственно. Абсолютное число вновь установленного диагноза РПЖ в 2019 году — 19 930 случаев [6].

В настоящее время Рабочая группа по профилактическим медицинским услугам США (United States Preventive Services Task Force, USPSTF) не рекомендует проводить скрининг бессимптомных взрослых пациентов на ПАПЖ из-за низкой распространённости данной патологии в общей популяции и недостаточных доказательств того, что он может способствовать улучшению показателей выявления, снижению заболеваемости или смертности [7]. Однако существуют руководства, рекомендующие проведение визуализации и динамического наблюдения для пациентов из групп высокого риска [8]. Кроме того, в настоящее время проводят рандомизированное контролируемое исследование, изучающее роль скрининга у пациентов с впервые выявленной гипергликемией и сахарным диабетом для раннего обнаружения ПАПЖ с использованием компьютерной томографии (КТ) (NCT04662879) [9]. Тем не менее в связи с отсутствием специфических биомаркёров и существующими ограничениями КТ и магнитно-резонансной томографии (МРТ) в отношении выявления ПАПЖ размером менее 2 см ранняя диагностика данной патологии остаётся сложной задачей, даже в группах высокого риска [10].

В последние годы применяют обработку изображений с помощью искусственного интеллекта (ИИ) для диагностики ПАПЖ, и она показывает многообещающие результаты [11]. ИИ включает системы, действующие подобно человеческому интеллекту и обучающие принятию решений. Экспоненциальное развитие технологий ИИ, преимущественно в областях машинного обучения (МО) и глубокого обучения (ГО), стремительно привлекает интерес клиницистов к созданию новых интегрированных, надёжных и эффективных методов диагностики с целью оказания медицинской помощи. ГО — значительный шаг вперёд относительно решений проблем, связанных с накоплением, обработкой и дифференцировкой больших объёмов данных. На протяжении многих лет медицинское сообщество не могло решить существующие проблемы. Однако ГО отлично помогает выявлять сложные структуры в высокоразмерных данных и его возможно применять во многих областях науки. Кроме того, его системы обучаемы и способны работать на основе исходных данных, например чисел, текста или даже их комбинаций [12]. Обученные модели, полученные с помощью технологий ИИ, могут обрабатывать входные медицинские изображения и выдавать аналитические результаты в течение нескольких секунд, сокращая период диагностики до минимума. Исследования показали, что системы ИИ демонстрируют сопоставимые с медицинскими экспертами результаты при выявлении ПАПЖ, а в некоторых случаях даже превосходят их [11, 13]. Значительные преимущества в скорости анализа данных также способствуют улучшению диагностики и лечения, снижая нагрузку на медицинский персонал [11, 13].

Последние достижения в области технологий визуализации и анализа изображений с помощью ИИ позволяют повысить чувствительность и специфичность ранней диагностики ПАПЖ. К таким достижениям относят специфичные для ЗНО трейсеры позитронно-эмиссионной томографии (ПЭТ), ультразвуковые контрастные вещества и методы обработки и анализа данных визуализации, реализуемые посредством алгоритмов ИИ [13].

МЕТОДОЛОГИЯ ПОИСКА ДАННЫХ

Мы провели поиск публикаций в таких поисковых системах, как PubMed, Google Scholar и eLibrary. Его осуществляли с помощью ключевых слов на русском и английском языках: «ранняя диагностика рака поджелудочной железы», «искусственный интеллект», «протоковая аденокарцинома поджелудочной железы», «медицинская визуализация», «наночастицы», «pancreatic cancer», «artificial intelligence», «early diagnosis pancreatic ductal adenocarcinoma», «pancreatic cancer imaging». Временной интервал поиска — с 2003 по 2025 год. В исследование включали статьи, опубликованные преимущественно за последние 5 лет, однако в случае высокой научной значимости — более ранние работы. При необходимости мы проводили дополнительный поиск иной релевантной литературы, касающейся клинико-прогностического значения новых методов визуализации в ранней диагностике РПЖ.

Мы независимо друг от друга провели анализ заголовков и аннотаций статей, после чего извлекли полный текст релевантных исследований. В процессе подготовки обзора использован следующий алгоритм для отбора источников:

• до начала поиска — исключали дубликаты;
• в процессе поиска — анализировали названия и аннотации отобранных статей, проверяя их соответствие теме обзора и наличие полного текста, на данном этапе также исключали тезисы, статьи и работы, не имеющие полного текста;
• полнотекстовые рукописи прошли оценку на соответствие критериям включения.

Среди критериев включения выделяли: полнотекстовые литературные обзоры, опубликованные в рецензируемых научных журналах, метаанализы, систематические обзоры, рандомизированные контролируемые или экспериментальные исследования in vitro, in vivo, а также клинические случаи на русском или английском языках, содержащие вышеуказанные ключевые слова. В итоге в настоящий обзор включено 60 источников.

СОВРЕМЕННЫЕ МЕТОДЫ ВИЗУАЛИЗАЦИИ ПРОТОКОВОЙ АДЕНОКАРЦИНОМЫ ПОДЖЕЛУДОЧНОЙ ЖЕЛЕЗЫ

КТ с подсчётом фотонов представляет собой новейшее достижение в области КТ, обеспечивая расширение возможностей визуализации и улучшение диагностического потенциала. В отличие от традиционной КТ, благодаря наличию фотонных детекторов, данный метод диагностики позволяет подсчитывать количество фотонов и их взаимодействие между собой [14]. Такой подход даёт несколько ключевых преимуществ, включая более высокое соотношение контрастности и шума, улучшенное пространственное разрешение и повышенную видимость очагов поражения при более низких показателях мощности (50 кэВ), достигаемые за счёт улучшенного ответа от вводимого рентгенконтрастного вещества, что имеет большое значение для визуализации и дифференцировки паренхимы поджелудочной железы как в норме, так и при наличии ПАПЖ, которая чаще всего относительно изоденсивна. Предыдущие исследования показали, что использование низкой мощности (например, 40 кэВ) повышает видимость ПАПЖ, в частности при размере ≤3 см [15]. Кроме того, до 44% опухолей (особенно размером ≤2 см), не выявленных при проведении обычной КТ, являются изоденсивными по отношению к паренхиме поджелудочной железы [16, 17].

Ещё одним направлением развития является разработка молекулярных контрастных средств для проведения КТ, не содержащих йод. Так, наночастицы можно использовать в рамках различных методов визуализации путём включения в них материалов или функциональных групп, соответствующих физическим принципам, лежащим в основе каждого метода, что позволяет применять их при проведении КТ, МРТ и ультразвукового исследования (УЗИ). Наиболее изученными считают наночастицы золота, известные своими оптическими свойствами и применяемые в фототермической терапии для избирательного уничтожения раковых клеток с помощью излучения, и наночастицы оксида железа, используемые при проведении МРТ и таргетной терапии, обеспечивая достижение как диагностических, так и лечебных целей [18]. Однако КТ с подсчётом фотонов, благодаря своей способности визуализировать К-край поглощения¹ элементов в диапазоне от 25 до 150 кэВ, может обнаруживать наночастицы (например, золота или гадолиния) даже в очень низких концентрациях, что способствует раннему выявлению первичных новообразований и метастазов. Кроме того, использование наночастиц основано на их взаимодействии с определёнными молекулярными мишенями ПАПЖ, открывая перспективы для более эффективной тераностики² [19]. Несмотря на потенциал наночастиц в рамках раннего выявления ПАПЖ, их использование ограничено обнаружением определённых маркёров в биоматериалах, что не позволяет применять их в качестве агентов визуализации, специфичных для данной патологии [20, 21].

Молекулярная визуализация с использованием ПЭТ продолжает вызывать большой интерес с точки зрения диагностики ПАПЖ. В клинической практике наиболее используемым радиофармацевтическим лекарственным препаратом (РФЛП) является ¹⁸F-фтордезоксиглюкоза (¹⁸F-ФДГ), однако Национальная всеобъемлющая онкологическая сеть (National Comprehensive Cancer Network, NCCN) не рекомендует его применять в диагностике ПАПЖ [22]. Как и при других видах ЗНО, обнаружение малых поражений с помощью ПЭТ, совмещённой c КТ (ПЭТ/КТ), и ¹⁸F-ФДГ представляет весьма сложную задачу, что связано c относительно низким отношением сигнала к шуму, обусловленным слабой визуализацией небольших опухолей на фоне высокой активности паренхимы поджелудочной железы, особенно при наличии воспалительных изменений [13]. Именно поэтому актуальным становится поиск альтернативных препаратов, а также методов, способствующих повышению эффективности ранней диагностики ПАПЖ.

Гистопатологически ПАПЖ — гиповаскулярная опухоль, состоящая из мелких трубчатых (протоковых) структур, расположенных в плотной фиброваскулярной строме, имеющая инфильтративный характер роста [13, 23]. При многих ЗНО, включая ПАПЖ, раково-ассоциированные фибробласты в повышенном количестве продуцируют белок активации фибробластов [23]. Разработано несколько РФЛП, нацеленных на данный белок, в частности ⁶⁸Ga-FAPI (Fibroblast Actication Protein Inhibitor), который ингибирует его действие [24]. Многочисленные исследования показали возможность проведения ПЭТ/КТ с ⁶⁸Ga-FAPI при ПАПЖ и его преимущество в сравнении с ¹⁸F-ФДГ [25–27]. Однако ⁶⁸Ga-FAPI имеет то же потенциальное ограничение, что и ¹⁸F-ФДГ, а именно сложность в разграничении воспаления и опухолевой ткани [28]. Тем не менее исследования, изучающие использование ⁶⁸Ga-FAPI при проведении ПЭТ/КТ для диагностики ПАПЖ, смоделированной в эксперименте на мышах, продемонстрировали многообещающие результаты в контексте раннего выявления опухолей по сравнению с ¹⁸F-ФДГ [29]. Предварительные клинические данные также свидетельствуют о возможности его применения для раннего выявления ЗНО и трансформации муцинозных поражений поджелудочной железы [30, 31]. Несмотря на необходимость дополнительных исследований для определения эффективности и экономической целесообразности применения ⁶⁸Ga-FAPI при проведении ПЭТ/КТ, в будущем данный РФЛП может сыграть важную роль в отборе пациентов с РПЖ на ранней стадии. Кроме того, исследуют дополнительные РФЛП, направленные на интегрины, рецептор эпидермального фактора роста и экстрадомен B фибронектина. Так, интегрин — поверхностная молекула клеток, выполняющая функцию рецептора фибронектина, играющая роль посредника во взаимодействии клеток и способствующая пролиферации и ангиогенезу, содержание которой повышено при многих ЗНО [32, 33]. Рецептор эпидермального фактора роста — трансмембранный гликопротеин, играющий ключевую роль в неоангиогенезе и пролиферации опухолевых клеток [34]. Экстрадомен B фибронектина — гликопротеин, обнаруженный во внеклеточном матриксе многих ЗНО, включая ПАПЖ [35]. Тем не менее исследование данных РФЛП находится на ранней стадии, что требует дополнительного изучения с целью определения их эффективности в отношении ранней диагностики ПАПЖ.

Молекулярная ультразвуковая визуализация показала свою перспективность в ранней диагностике ПАПЖ. Некоторые исследовательские группы сфокусировали своё внимание на разработке микропузырьков, нацеленных на специфические биомаркёры эндотелия сосудов при ПАПЖ [36]. При исследовании ПАПЖ, смоделированной в эксперименте на мышах, проведение контрастно-усиленного УЗИ с использованием микропузырькового контрастного агента, нацеленного на рецептор фактора роста эндотелия сосудов типа 2, позволяет обнаружить небольшие очаги опухоли диаметром менее 3 мм [37]. Антиген дифференцировки тимоцитов 1 является молекулярным маркёром, содержание которого повышено при ПАПЖ, а проведение контрастно-усиленного УЗИ in vivo с одноцепочечным антителом-лигандом, специфичным к антигену дифференцировки тимоцитов 1, позволяет обнаружить ПАПЖ как в ортотопической, так и в трансгенной мышиной модели [38].

Всё больше данных свидетельствует о существенной роли метаболической трансформации в патогенезе ПАПЖ. Мутации в онкогене KRAS, встречающиеся в 90% случаев данной патологии, стимулируют гликолиз в новообразовании, что сопровождается повышенной активностью многочисленных гликолитических ферментов, включая лактатдегидрогеназу А, усилением аэробного гликолиза и накоплением лактата, что способствует росту опухоли [39]. В свою очередь, при ПАПЖ снижена экспрессия генов, кодирующих аланин-аминотрансферазы, детерминирующие превращение пирувата в аланин [40]. Такое метаболическое изменение можно выявить неинвазивно с помощью гиперполяризованной МРТ с использованием ¹³C-меченных соединений — нового метода молекулярной визуализации, обладающего чувствительностью и химической специфичностью в отношении исследования метаболических процессов, которые ранее были недоступны для диагностики [41–43].

Гиперполяризация, достигаемая с помощью метода динамической ядерной поляризации, обеспечивает повышение чувствительности (увеличение сигнала в 10 000 раз) для визуализации ¹³C-меченых биомолекул, которые отличаются отсутствием токсичности по отношению к организму [41]. Выявлено, что проведение гиперполяризованной МРТ с ¹³C-пируватом позволяет обнаруживать и отслеживать развитие ПАПЖ в трансгенных мышиных моделях [40, 42]. В частности, в поджелудочной железе наблюдали постепенное снижение соотношения сигналов ¹³С-аланина/¹³С-лактата при прогрессировании заболевания — от предшественников интраэпителиальной неоплазии поджелудочной железы до ПАПЖ. Недавнее клиническое исследование показало возможность выполнения гиперполяризованной МРТ с ¹³C-пируватом для количественной оценки метаболической функции в здоровой поджелудочной железе и при развитии ПАПЖ до и после системной терапии [43]. Эти исследования подчёркивают потенциал данного метода в повышении эффективности диагностических и лечебных подходов у пациентов с высоким риском её развития. Следует отметить, что гиперполяризованная МРТ с использованием ¹³C-пирувата успешно прошла клинические испытания, продемонстрировав безопасность при сравнении с ПЭТ/КТ с ⁶⁸Ga-FAPI46, использовавшейся в качестве исходного метода молекулярной визуализации [43].

СТРАТИФИКАЦИЯ РИСКА С ПОМОЩЬЮ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА БЕЗ УЧЁТА ДАННЫХ ВИЗУАЛИЗАЦИИ

ИИ — это общий термин, охватывающий обширный спектр вычислительных технологий, которые позволяют компьютерам реализовывать решение задач, обычно требующих человеческого интеллекта. МО является подмножеством ИИ, а ГО — это специализированный подход МО, использующий свёрточные нейронные сети и получивший значительное распространение в медицинской визуализации благодаря своей способности автоматически изучать существующие данные, анализировать допущенные ошибки и делать более точные прогнозы, в отличие от МО, которое зачастую требует ручного извлечения изучаемых признаков. Модели МО требуют ручного преобразования медицинских изображений в числовые показатели (контроля со стороны человека-эксперта), в то время как ГО способно напрямую обрабатывать исходные изображения. Ключевые элементы моделирования, используемые при ГО, включают сбор и предварительную обработку данных, выбор модели и разработку архитектуры, обучение и проверку, а также оценку эффективности применяемой модели [12].

D. Placido и соавт. [44, 45] использовали методы ГО для анализа клинических данных 6 млн пациентов, в том числе 24 тыс. с ПАПЖ, из Датского национального регистра пациентов и 3 млн, в частности 3900 пациентов c данным диагнозом, из базы данных Управления по делам ветеранов США (United States Veterans Affairs, US-VA). Цель исследования состояла в определении возможности прогнозирования развития РПЖ в течение 36 мес. после постановки первоначального диагноза на основе сведений, извлечённых из электронных медицинских карт, таких как диагностические коды и характеристики анамнеза заболевания. Модель с наилучшими показателями имела значение площади под кривой (Area Under the Curve, AUC) — 0,879 (0,877–0,880), однако в случае её применения к данным базы Управления по делам ветеранов США зафиксировано его снижение до 0,710 (0,708–0,712). Авторы полагают, что такая разница в эффективности, вероятно, связана с различиями в практике ведения клинических карт и системах кодирования диагнозов, а также с разными периодами обращения за медицинской помощью. Тем не менее некоторые симптомы и коды заболеваний за 0–6 мес. до постановки диагноза ПАПЖ, включая неуточнённую желтуху, заболевания желчевыводящих путей и поджелудочной железы, абдоминальные и тазовые боли, потерю массы тела, сахарный диабет и возникновение новообразований органов желудочно-кишечного тракта, совпадают в разных группах населения. Данное исследование является перспективным, поскольку демонстрирует, как использование электронных медицинских данных может помочь в информировании клиницистов о вероятности развития различных патологий. Оно может выявить малозаметные тенденции с течением времени или определить факторы риска на ранней стадии, которые специалисту трудно распознать при осмотре пациента, особенно в условиях отсутствия постоянного лечащего врача. Возможно, будущие модели ИИ, включающие лабораторные и физикальные данные, такие как концентрация глюкозы, тенденции изменения массы тела, извлечённые из данных медицинских карт, повысят эффективность ранней диагностики ПАПЖ и позволят своевременно выявлять группы риска для целенаправленного воздействия на потенциально модифицируемые факторы [44, 45].

Основным препятствием для разработки надёжных моделей и систем на основе технологий ИИ остаётся вариабельность качества медицинских данных, содержащихся в электронных медицинских картах, а также ограниченный и небезопасный доступ к большим объёмам персональных данных пациентов. Бóльшая часть медицинских сведений представлена в неструктурированном виде, содержит неточности и избыточные данные, что затрудняет проведение эффективного и точного анализа, необходимого для создания полноценных моделей на основе технологий ИИ [12, 13, 45].

Визуализация необходима для диагностики, определения стадии и планирования лечения ПАПЖ. Однако КТ и МРТ имеют ограниченную диагностическую точность в отношении выявления опухолей размером менее 2 см (69 и 82% соответственно), поэтому радиомику и методы ГО возможно рассматривать в качестве инструментов, способных повысить эффективность выявления ПАПЖ на ранних стадиях [46]. Так, для обнаружения ПАПЖ используют модель сегментации U-Net и её варианты для выделения и изоляции поджелудочной железы от других структур на соответствующих срезах КТ [47]. Классификационная модель определяет наличие или отсутствие ЗНО в поджелудочной железе. Входными данными для этих классификаторов являются сфокусированные области поджелудочной железы (области интересов), выделенные на изображениях КТ с помощью модели сегментации, а выходными — числовой балл, указывающий на вероятность злокачественного поражения. Успех данного подхода зависит от двух ключевых факторов: качества сегментации поджелудочной железы и производительности классификаторов, однако именно первое имеет решающее значение для точного обнаружения патологических изменений. Последние достижения в области ГО, в частности внедрение таких моделей сегментации медицинских изображений, как MedSAM (Medical Segment Anything Model), предоставили возможность правильно сегментировать поджелудочную железу на изображениях КТ [48]. Производительность классификаторов зависит от объёма и разнообразия обучающих данных [49]. Классификатор должен учитывать различные характеристики опухоли, в частности ПАЖП, (размер, форма, стадия) на изображениях и особенности исследуемых пациентов (возраст, пол и раса). Несколько исследований в области МО и ГО с использованием данных визуализации показали перспективность раннего выявления ПАЖП [50–53].

S. Mukherjee и соавт. [50] провели исследование, результаты которого продемонстрировали, что модели МО на основе радиомических признаков могут идентифицировать и количественно определять паттерны, характерные для ранней стадии ПАПЖ, на её сегментированных снимках. В частности, модель МО, разработанная с помощью машины опорных векторов, позволила выявить визуально незаметные признаки ПАПЖ на преддиагностических изображениях КТ, полученных в портально-венозную фазу и выполненных по другим показаниям в период от 3 до 36 мес. до окончательного установления клинического диагноза ПАПЖ [51]. Медианное время между преддиагностичесокой КТ в тестовой подгруппе и диагностикой ПАПЖ составило 386 дней (97–1092). Важно отметить, что в процессе предварительной клинической интерпретации полученные результаты КТ признаны отрицательными в отношении ПАПЖ. Кроме того, разработанная модель машины опорных векторов продемонстрировала высокую специфичность как на независимом внутреннем наборе данных, так и на общедоступном, включающем результаты КТ поджелудочной железы, Национального института здоровья США (National Institutes of Health-Pancreas CT, NIH-PCT) [52]. Модель значительно превзошла результаты врачей-рентгенологов в отношении идентификации ПАПЖ по данным КТ [50]. Кроме того, авторы оценивали надёжность модели машины опорных векторов на основе радиомических признаков для обнаружения визуально незаметных признаков ПАПЖ по данным преддиагностической КТ путём моделирования распространённых вариаций в параметрах получения изображений и этапах радиомического анализа с использованием методов их искажения. Результаты продемонстрировали устойчивость данной модели к изменениям условий, что свидетельствует об её надёжности [53].

Данная исследовательская группа также разработала полностью автоматизированную модель ИИ на основе свёрточной нейронной сети для раннего обнаружения ПАПЖ [54]. Для её создания авторы выбрали автоматизированный подход, основанный на объёмной сегментации с помощью ИИ, предложенный ранее [55, 56]. Она создана с использованием разнообразного набора данных (~3000 результатов КТ), который является одним из самых больших. Следует отметить, что исследователи исключали изображения КТ с билиарными стентами, поскольку такие устройства создают помехи и ИИ расценивает их как опухолевые образования [57]. Автоматизированная трёхмерная модель свёрточной нейронной сети с высокой точностью выявляла ПАПЖ по данным КТ вне зависимости от её изоденсивности. Несмотря на то что она обучена с помощью набора данных, включающего изображения КТ с более крупными новообразованиями, модель смогла выявлять ПАПЖ на преддиагностических снимках в среднем за 475 дней (15–16 мес.) до постановки диагноза [54]. Она также продемонстрировала высокую эффективность в группах высокого риска, включающих пациентов с сахарным диабетом, что может увеличить долю резектабельных ПАПЖ в 3 раза по сравнению с текущими показателями [58]. Выявлено, что эффективность её использования не зависела от таких параметров как демографическая характеристика пациентов, технические характеристики сканера и используемые протоколы визуализации [54].

K. Cao и соавт. [59] разработали модель ГО под названием PANDA (Pancreatic Cancer Detection With Artificial Intelligence), для высокоточной диагностики различных поражений поджелудочной железы с помощью КТ. Данная модель не только определяет наличие поражения, но и способна сегментировать, а также классифицировать в соответствии с его подтипом. Её обучение проведено с использованием набора данных одного центра, включающего результаты КТ 3208 пациентов, а проверка — на данных многоцентровой когорты из 6239 пациентов, собранной из 10 различных медицинских учреждений. Модель PANDA в отношении выявления поражений поджелудочной железы продемонстрировала превосходные результаты, достигнув значение AUC в диапазоне 0,986–0,996. В данном исследовании также приняли участие 33 врача-радиолога с разным опытом работы — от ординаторов до специалистов в области визуализации поджелудочной железы. Они интерпретировали данные КТ без контрастирования 291 пациента. В сравнении с их результатами модель PANDA продемонстрировала превосходство в диагностике ПАПЖ с чувствительностью и специфичностью выше на 34,1 и 6,3% соответственно. Помимо этого, 15 специалистов в области визуализации поджелудочной железы интерпретировали результаты КТ с контрастным усилением тех же пациентов. Даже при использовании только бесконтрастных снимков, модель PANDA превзошла их по чувствительности и специфичности на 13,0 и 0,5% соответственно. При внешней валидации с помощью наборов данных из Китая, Тайваня и Чехии модель PANDA сохраняла высокие значения AUC. Кроме того, результаты субанализа в отношении ПАПЖ малого размера (<2 см) продемонстрировали высокую чувствительность — 92,2%. Исследователи также протестировали модель на наборе данных, включающем результаты КТ 20 530 пациентов, где особенно высок риск снижения эффективности, обусловленный большим количеством малозаметных изменений. И в этом случае модель PANDA показала устойчиво высокие результаты в отношении выявления ранних стадий ПАПЖ: чувствительность и специфичность — более 96 и 99,9% соответственно. Авторы предположили, что данная модель может стать перспективным инструментом для широкомасштабного скрининга ПАПЖ, используя обширные базы данных, включающие результаты неконтрастной КТ, которые регулярно получают по различным клиническим показаниям [59].

Другие исследователи использовали методы ГО с целью выявления других видов новообразований поджелудочной железы. В частности, H.J. Park и соавт. [60] разработали трёхмерную модель ГО, позволяющую идентифицировать семь различных типов солидных и кистозных новообразований поджелудочной железы, включая ПАПЖ, нейроэндокринную опухоль и внутрипротоковую папиллярную муцинозную опухоль. Она обучена с использованием данных КТ пациентов, перенёсших резекцию поджелудочной железы, и пациентов без её аномалии. Производительность модели сравнивали с результатами двух опытных врачей-радиологов. В первом тестовом наборе модель ГО достигла значения AUC 0,91, что сопоставимо с показателями, отражающими эффективность врачей-радиологов, (AUC — 0,92–0,95). Во втором тестовом наборе эффективность модели была ниже по сравнению с врачами-радиологами (AUC — 0,87 против 0,95–0,96, p <0,001), однако данный подход всё ещё представляет собой значительный шаг вперёд в отношении автоматического обнаружения опухолей поджелудочной железы размером до 1 см.

P.T. Chen и соавт. [11] разработали модель с помощью ГО для выявления ПАПЖ по данным КТ с контрастным усилением в портально-венозную фазу, которая обладала следующими показателями эффективности: чувствительность и специфичность — 89,9 и 95,9% соответственно, а также значение AUC — 0,96. В рамках проведённого исследования не выявлено значительной разницы между чувствительностью модели ГО и заключением радиолога — 90,2 и 96,1% соответственно, p=0,11. Её эффективность сохранена при использовании внешнего валидационного набора данных, включающего 1473 изображения КТ (669 пациентов с ПАПЖ, 804 — контрольная группа) учреждений Тайваня: чувствительностью и специфичность — 89,7 и 92,8% соответственно и значение AUC — 0,95. В случае опухолей размером менее 2 см, которые могут быть пропущены в клинической практике, модель ГО обладала приемлемой чувствительностью — 74,7%.

ЗАДАЧИ И ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ РАННЕЙ ДИАГНОСТИКИ ПРОТОКОВОЙ АДЕНОКАРЦИНОМЫ ПОДЖЕЛУДОЧНОЙ ЖЕЛЕЗЫ

Результаты исследований, рассмотренных в нашем обзоре, демонстрируют значительный прогресс в области ранней диагностики ПАПЖ с использованием технологий ИИ. Тем не менее их внедрение в клиническую практику требует тщательную проспективную и многоцентровую валидацию. Процесс оценки должен охватывать различные группы пациентов и медицинские учреждения, с целью обеспечения надёжности технологий. Исследования в области визуализации поджелудочной железы с интеграцией ИИ сталкиваются с рядом проблем. Основной из них является нехватка больших наборов данных с открытым исходным кодом (>10 тыс. пациентов), которые необходимы для эффективного обучения и проверки моделей на основе технологий ИИ. Большинство разработанных систем не имеют открытого исходного кода и не обладают прозрачностью в отношении процессов обучения, используемых наборов данных и параметров модели, что ставит под угрозу воспроизводимость описанных результатов, заставляя многие учреждения разрабатывать собственные модели с использованием небольших наборов данных, которые зачастую не могут показать схожую эффективность. В свою очередь, наличие больших наборов данных с открытым исходным кодом позволило бы сравнить существующие модели, способствуя объективной оценке их эффективности и возможности модернизации исходных параметров. Другой проблемой является вариативность качества существующих баз данных с открытым исходным кодом для визуализации поджелудочной железы, что снижает их ценность в контексте создания надёжных и эффективных моделей на основе технологий ИИ. Кроме того, ограничения, связанные с политикой возмещения расходов, интеграцией ИИ в клинические рабочие процессы, а также необходимость всестороннего обучения и подготовки конечных пользователей, включая врачей-радиологов и других специалистов, являются значительными препятствиями для широкого внедрения технологий ИИ в контексте визуализации поджелудочной железы.

Несмотря на то что в некоторые модели ГО интегрированы карты распределения зон, позволяющие выделить на изображениях КТ важные области, влияющие на принятие решений, они предлагают субъективную интерпретацию и не раскрывают в явном виде обоснование проделанной работы. Перспективным направлением является использование интерпретируемых систем ИИ, которые классифицируют важные визуальные признаки в текстовые объяснения. Другой подход к улучшению состоит в предоставлении моделям ИИ возможности количественной оценки и вывода диагностической неопределённости. Такие методы, как байесовские нейронные сети, Монте-Карло и глубокие ансамбли, оценивают степень недостоверности результатов ИИ при составлении прогнозов. Точная количественная оценка может способствовать более эффективной интерпретации прогнозов ИИ, сосредоточившись на неоднозначных случаях, в которых модель не уверена, возможно из-за нетипичных проявлений или некачественных изображений. Большинство современных подходов зависят исключительно от данных КТ и не учитывают другие информативные клинические переменные, такие как пол, возраст, анамнез заболевания и индекс массы тела. Кроме того, интеграция моделей ИИ с новыми биомаркёрами представляет перспективную область, способную повысить точность и эффективность раннего выявления ПАПЖ. Будущие исследования должны быть направлены на разработку моделей ГО, которые могли бы оценить эти переменные и более точно диагностировать данную патологию.

РИСКИ И ОГРАНИЧЕНИЯ ПРИМЕНЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В МЕДИЦИНСКОЙ ВИЗУАЛИЗАЦИИ

Применение ИИ в диагностике заболеваний, включая РПЖ, открывает новые возможности для раннего выявления патологии и оптимизации процессов визуализации. Однако несмотря на значительные достижения в области ГО и компьютерного зрения, внедрение технологий ИИ в клиническую практику сопряжено с рядом вызовов. Основные риски и ограничения связаны с точностью диагностики, качеством обучающих данных, интерпретируемостью моделей, а также этическими и юридическими аспектами использования технологии [11].

Точность и надёжность диагностики

Одной из ключевых проблем использования ИИ в медицинской визуализации является риск ложноположительных и ложноотрицательных результатов [7]. Модели могут ошибочно классифицировать доброкачественные образования как злокачественные или, наоборот, не выявить опухоль на ранних стадиях, что может привести к задержке лечения. Ложноположительные результаты, в свою очередь, могут стать причиной избыточной диагностики и ненужных инвазивных процедур, что повышает нагрузку на пациентов и систему здравоохранения [44].

Ещё одним важным ограничением является зависимость работы ИИ от качества данных. Для обучения алгоритмов используют медицинские изображения, однако различия в технических характеристиках оборудования, параметрах сканирования и стандартах визуализации в разных клиниках могут снижать точность диагностики [50].

Ограничения в обучении и применении моделей искусственного интеллекта

Для корректной работы моделей ИИ необходимо обучение на больших объёмах данных, но в медицинской сфере доступ к таким данным ограничен [59]. В большинстве случаев наборы данных для обучения имеют несбалансированный характер, а именно: в них может преобладать количество изображений, полученных на поздних стадиях ПАПЖ, тогда как случаи ранней её стадии встречаются реже [12, 59]. Это приводит к тому, что модели менее точно распознают именно те опухоли, которые особенно важно выявлять на ранних этапах.

Кроме того, медицинские изображения, используемые в обучении моделей, отличаются по качеству и формату, поскольку зависят от типа оборудования и параметров настройки томографов [54]. Это создаёт проблемы при переносе обученной модели в реальную клиническую практику: модель, эффективно работающая на данных одной больницы, может показывать снижение точности при анализе изображений, полученных из другой клиники.

Ещё одной проблемой является так называемая проблема «чёрного ящика». Большинство моделей ГО принимают решения без возможности объяснения причин, по которым они пришли к тому или иному выводу. Это затрудняет их использование в клинической практике, так как врачи не могут проверить, на каких признаках основано заключение ИИ. Для медицинского применения особенно важно, чтобы решения моделей были интерпретируемыми и понятными для специалистов [12].

Этические и юридические вопросы

Юридическая ответственность за ошибки, допущенные моделями ИИ, остаётся нерешённой проблемой [50]. В случае ошибочного диагноза ответственность может ложиться на врача, разработчиков моделей или медицинское учреждение, что затрудняет массовое внедрение технологии.

Другим важным аспектом является защита персональных данных. Использование ИИ требует обработки больших объёмов медицинской информации, включая снимки КТ и МРТ, электронные медицинские карты и генетические данные. При этом существует риск утечки конфиденциальной информации, что требует строгого соблюдения норм защиты данных, таких как «Общий регламент по защите данных» (General Data Protection Regulation, GDPR) в Европе и «Закона о переносимости и подотчётности медицинского страхования» (Health Insurance Portability and Accountability Act, HIPAA) в США [33].

Также стоит учитывать возможность появления предвзятости (Bias) в системах ИИ. Если в процессе обучения модель использовала данные, содержащие гендерные, расовые или социальные искажения, то это может привести к снижению точности диагностики у отдельных групп пациентов. Например, модель, обученная преимущественно на данных пациентов европейского происхождения, может показывать меньшую эффективность при диагностике ПАПЖ у пациентов азиатского или африканского происхождения [13, 44].

Ограничения внедрения технологий искусственного интеллекта в клиническую практику

Несмотря на перспективность применения ИИ, его интеграция в медицинские рабочие процессы встречает сопротивление со стороны врачей. Многие специалисты выражают скептицизм по поводу точности моделей и их способности заменять экспертную оценку. Для успешного внедрения технологии необходимо обучение медицинского персонала и демонстрация реальной клинической пользы ИИ [12, 13].

Ещё одним ограничением является несовместимость многих существующих больничных систем с новыми моделями ИИ и использование различных протоколов получения изображений [12]. Их внедрение требует адаптации информационных систем, что требует значительных финансовых и организационных затрат. Кроме того, пока не разработаны унифицированные протоколы интеграции ИИ в диагностический процесс, что затрудняет его использование в повседневной практике [13].

Дополнительные затраты также связаны с разработкой и валидацией моделей. Медицинские учреждения и стартапы, занимающиеся их разработкой, сталкиваются с высокими затратами на получение клинически валидных данных, проведение тестирований и сертификацию моделей. Это ограничивает доступность технологии и препятствует её внедрению в менее обеспеченные клиники.

Применение технологий ИИ в медицинской визуализации открывает широкие перспективы, однако их интеграция в клиническую практику сопряжена с рядом серьёзных вызовов. Необходимо учитывать риски ложных диагнозов, зависимость от качества данных, проблемы интерпретируемости решений, а также этические и юридические аспекты. Для успешного внедрения технологии требуется стандартизация подходов к обучению и тестированию моделей ИИ, развитие методов объяснимого ИИ, обеспечение конфиденциальности данных и адаптация регуляторных норм [12, 13].

Только при комплексном подходе, включающем высокое качество данных, интерпретируемые модели и безопасную инфраструктуру, ИИ сможет занять достойное место в системе медицинской диагностики и значительно повысить эффективность раннего выявления ПАПЖ [13].

ЗАКЛЮЧЕНИЕ

В области раннего выявления ПАПЖ с помощью технологий ИИ наблюдают значительный прогресс. Современные подходы включают в себя стратификацию риска до визуализации и увеличение объёма анализируемых данных с помощью оценки электронных медицинских карт. Они зачастую основаны на применении методов ГО. Несмотря на значительные успехи, внедрение технологий ИИ в клиническую практику всё ещё сопряжено с различными проблемами. Одновременно с этим появились новые РФЛП, технологии визуализации и биомаркёры, однако их роль в ранней диагностике РПЖ требует дальнейшего изучения в рамках клинических исследований. Кроме того, существенный прогресс в ранней диагностике РПЖ, особенно с применением технологий ИИ, невозможен без проведения исследований на основе высококачественных и репрезентативных данных. В свою очередь, совместное использование моделей ИИ и биомаркёров, представляет перспективное направление для дальнейших исследований, способное улучшить тераностику² различных ЗНО, включая ПАПЖ.

ДОПОЛНИТЕЛЬНАЯ ИНФОРМАЦИЯ

Вклад авторов. Ф.Т. Мусаева, З.М. Кумыкова, А.И. Ушаева, А.С. Хасиева — сбор и анализ литературных данных, написание и редактирование текста рукописи; Е.Р. Суменова, Я.Ю. Кулинская, Р.Р. Якупова, А.А. Мустафин — сбор и анализ литературных данных, подготовка и написание текста рукописи; А.Х. Исламагулов — подготовка и редактирование текста рукописи; Т.С. Элипханова — анализ литературных данных, написание отдельных разделов рукописи; Е.С. Озерова — участие в интерпретации данных и подготовке заключительной части статьи; Д.А. Хаснутдинова — редактирование текста рукописи; А.А. Набиуллина — разработка концепции работы, координация работы авторов. Все авторы одобрили рукопись (версию для публикации), а также согласились нести ответственность за все аспекты работы, гарантируя надлежащее рассмотрение и решение вопросов, связанных с точностью и добросовестностью любой её части.

Этическая экспертиза. Неприменимо.

Источники финансирования. Отсутствуют.

Раскрытие интересов. Авторы заявляют об отсутствии отношений, деятельности и интересов за последние три года, связанных с третьими лицами (коммерческими и некоммерческими), интересы которых могут быть затронуты содержанием статьи.

Оригинальность. При создании настоящей работы авторы не использовали ранее опубликованные сведения (текст, иллюстрации, данные).

Доступ к данным. Редакционная политика в отношении совместного использования данных к настоящей работе не применима.

Генеративный искусственный интеллект. При создании настоящей статьи технологии генеративного искусственного интеллекта не использовали.

Рассмотрение и рецензирование. Настоящая работа подана в журнал в инициативном порядке и рассмотрена в соответствии с процедурой fast-track. В рецензировании участвовали два внешних рецензента, член редакционной коллегии и научный редактор издания.

ADDITIONAL INFORMATION

Author contributions: F.T. Musaeva, Z.M.Kumykova, A.I. Ushaeva, A.S. Khasieva: published data search and analysis, writing—original draft, writing—review & editing; E.R. Sumenova, Ya.Yu. Kulinskaya, R.R. Yakupova, A.A. Mustafin: published data search and analysis, writing—original draft; A.Kh. Islamagulov: writing—review & editing; T.S. Elipkhanova: published data analysis, writing—original draft (certain manuscript sections); E.S. Ozerova: formal analysis, preparation of the final section of the article; D.A. Khusnutdinova: writing—review & editing; A.A. Nabiullina: conceptualization, supervision. All the authors approved the version of the manuscript to be published and agreed to be accountable for all aspects of the work, ensuring that questions related to the accuracy or integrity of any part of the work are appropriately investigated and resolved.

Ethics approval: Not applicable.

Funding sources: No funding.

Disclosure of interests: The authors have no relationships, activities, or interests for the last three years related to for-profit or not-for-profit third parties whose interests may be affected by the content of the article.

Statement of originality: No previously published material (text, images, or data) was used in this work.

Data availability statement: The editorial policy regarding data sharing does not apply to this work.

Generative AI: No generative artificial intelligence technologies were used to prepare this article.

Provenance and peer review: This paper was submitted unsolicited and reviewed following the fast-track procedure. The peer review process involved two external reviewers, a member of the editorial board, and the in-house science editor.

 

¹ К-край поглощения — резкое увеличение коэффициента поглощения рентгеновского или γ-излучения, которое происходит, когда энергия излучения превышает энергию связи электрона на К-оболочке атома (самой внутренней оболочке).

² Тераностика — это междисциплинарный подход в медицине, сочетающий диагностику и лечение в рамках единой технологии или препарата.

About the authors

Ferida T. Musaeva

North Ossetian State Medical Academy

Email: feridamusaeva@yandex.ru
ORCID iD: 0009-0000-1407-7189
Russian Federation, Vladikavkaz

Elizaveta R. Sumenova

North Ossetian State Medical Academy

Email: lsumenova@bk.ru
ORCID iD: 0009-0001-8159-0860
Russian Federation, Vladikavkaz

Almaz Kh. Islamgulov

Bashkir State Medical University

Author for correspondence.
Email: aslmaz2000@rambler.ru
ORCID iD: 0000-0003-0567-7515
SPIN-code: 8701-3486
Russian Federation, Ufa

Zalina M. Kumykova

North Ossetian State Medical Academy

Email: kumykova_2001@mail.ru
ORCID iD: 0009-0007-5243-6796
Russian Federation, Vladikavkaz

Tamila S. Elipkhanova

Maikop State Technological University

Email: eltamila01@mail.ru
ORCID iD: 0009-0006-2901-5443
Russian Federation, Maikop

Alina I. Ushaeva

Russian University of Medicine

Email: ushaeva21@list.ru
ORCID iD: 0009-0007-3888-5683
Russian Federation, Moscow

Amina S. Khasieva

Maikop State Technological University

Email: Khasievaamina999@gmail.com
ORCID iD: 0009-0002-8153-4647
Russian Federation, Maikop

Ekaterina S. Ozerova

The Russian National Research Medical University named after N.I. Pirogov

Email: ozerovaekaterina201@gmail.com
ORCID iD: 0009-0004-8740-1313
Russian Federation, Moscow

Dina A. Khusnutdinova

Kazan Federal University

Email: dinakhusnutdinova02848@gmail.com
ORCID iD: 0009-0002-0562-8414
Russian Federation, Kazan

Alina A. Nabiullina

Kazan Federal University

Email: a.ayratovnaa@gmail.com
ORCID iD: 0009-0004-4365-444X
Russian Federation, Kazan

Yana Yu. Kulinskaya

Russian University of Medicine

Email: Yana.Kulinskaya00@mail.ru
ORCID iD: 0009-0000-7187-0044
Russian Federation, Moscow

Roksana R. Yakupova

Bashkir State Medical University

Email: roksana.yakupova.01@mail.ru
ORCID iD: 0000-0001-5869-607X
Russian Federation, Ufa

Arthur A. Mustafin

Bashkir State Medical University

Email: zacartim@mail.com
ORCID iD: 0009-0006-4747-6972
Russian Federation, Ufa

References

Supplementary files