THE ROLE OF ARTIFICIAL INTELLIGENCE AND NEW VISUALIZATION METHODS IN EARLY DIAGNOSIS OF PANCREATIC CANCER

Abstract

Keywords

ВВЕДЕНИЕ

Рак поджелудочной железы (РПЖ) - злокачественное новообразование (ЗНО) пищеварительного тракта, характеризующаяся быстрой прогрессией, инвазивностью, отсутствием ярко выраженных симптомомов на ранних стадиях заболевания, а также склонностью к рецидивам после хирургического лечения [1]. Протоковая аденокарцинома поджелудочной железы (Pancreatic ductal adenocarcinoma, PDA) является наиболее распространенным типом РПЖ, которое в 80-85% случаев отличается прогрессирующим течением или наличием отдалённых метастатических очагов. Кроме того, 5-летняя выживаемость при РПЖ составляет 12%, что является самым низким показателем среди всех видов ЗНО, что обуславливает важную роль ранней диагностики и лечения пациентов [2].

Несмотря на успехи в изучении PDA, 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, создает предпосылки к увеличению степени распространённости PDA и её становлению второй по значимости причиной смерти от ЗНО к 2030 году, тем самым опережая рак молочной и предстательной железы, а также колоректальный рак [3, 4]. В 2023 году в США было зарегистрировано 62 210 новых случаев PDA, а количество летальных исходов за 2022 год составило 49 380 человек [3]. Из 57 600 зафиксированных в 2020 году случаев 55% уже имеют метастатические поражения [4]. На долю PDA приходится 2% всех случаев рака и 5% всех смертей от рака в США, что подчеркивает острую необходимость более раннего выявления данной патологии [5]. В 2019 г. в России РПЖ в структуре онкологической заболеваемости составил 3,4% у мужчин и 3,0% у женщин. За 10 лет заболеваемость увеличилась на 11,4 и 25% у мужчин и женщин соответственно. Абсолютное число вновь установленного диагноза РПЖ в 2019 г. составило 19 930 случаев [6].

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

В последние годы процесс обработки изображений с помощью искусственного интеллекта (ИИ) применяется для диагностики PDA и показывает многообещающие результаты [11]. ИИ включает в себя системы, действующие подобно человеческому интеллекту и обучающие принятию решений [12]. 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, системы ГО обучаемы и способны работать на основе исходных данных, например чисел, текста или даже их комбинаций [12]. Обученные модели ИИ могут обрабатывать входные медицинские изображения и выдавать аналитические результаты в течение нескольких секунд, сокращая период диагностики до минимума. Исследования показали, что ИИ демонстрируют сопоставимые с медицинскими экспертами результаты при выявлении PDA, 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.

Последние достижения в области технологий визуализации и анализа изображений, основанных на ИИ позволяют повысить чувствительность и специфичность раннего выявления PDA. К таким достижениям относятся специфичные для ЗНО трасеры позитронно-эмиссионной томографии (ПЭТ), ультразвуковые контрастные вещества и методы обработки и анализа данных визуализации, реализуемые посредством алгоритмов ИИ.

Цель обзора – обобщить современные литературные данные и оценить роль ИИ в области визуализации и ранней диагностике PDA, а также выявить пробелы в знаниях, требующие проведения дальнейших исследований.

МАТЕРИАЛ И МЕТОДЫ

Авторы провели поиск публикаций в электронных базах данных PubMed, Google Scholar и ELibrary. Поиск проводился по следующим ключевым словам 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 составил с 2003 по 2025 год. В исследование включали статьи, опубликованные преимущественно за последние 5 лет, однако в случае высокой научной значимости включали и более ранние работы. При необходимости авторы проводили дополнительный поиск иной релевантной литературы, касающейся клинико-прогностического значения новых методов визуализации при в ранней диагностике РПЖ.

Авторы независимо друг от друга провели анализ заголовков и аннотаций статей, после чего извлекался полный текст релевантных исследований. В процессе подготовки обзора был использован следующий алгоритм для отбора источников: до начала скрининга исключались дубликаты; в процессе скрининга авторы анализировали названия и аннотации отобранных статей, проверяя их соответствие теме обзора и наличие полного текста, на данном этапе исключали тезисы, статьи и работы не имеющие полного текста; полнотекстовые рукописи прошли оценку на соответствие критериям включения. Критериями включения явились: оригинальные, опубликованные в рецензируемых научных журналах полнотекстовые литературные обзоры, мета-анализы, 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 конечном итоге в настоящий обзор был включён 61 источник. Алгоритм отбора продемонстрирован на рисунке 1.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

Современные методы визуализации и использование трассирующих веществ

Компьютерная томография с подсчётом фотонов (Photon-counting computed tomography, PCCT) представляет собой новейшее достижение в технологии компьютерной томографии (КТ), обеспечивая расширение возможностей визуализации и улучшение диагностического потенциала. В отличие от традиционной КТ, благодаря наличию фотонных детекторов (photon-counting detector, PCD), PCCT способна подсчитывать количество фотонов и их взаимодействие между собой [14]. Такой подход дает несколько ключевых преимуществ, включая более высокое соотношение контрастности и шума, улучшенное пространственное разрешение и повышенную видимость очагов поражения при более низких показателях мощности (50 килоэлектронвольт (кэВ)), достигаемое за счет улучшенного ответа от вводимого рентгенконтрастного вещества, что имеет большое значение в визуализации и дифференцировке нормальной паренхимы поджелудочной железы и PDA, которая чаще всего относительно изоденсивна. Предыдущие исследования показали, что использование низкой мощности (например, 40 кэВ) повышает видимость PDA, в том числе, имеющих размер ≤ 3 см [15]. Также сообщается, что до 44% опухолей (особенно размером ≤ 2 см), не выявленных при обычной КТ, являются изоденсивными по отношению к паренхиме поджелудочной железы [16, 17].

Еще одним направлением развития является разработка молекулярных контрастных средств для проведения КТ, не содержащих йод. Так, наночастицы можно использовать в рамках различных методов визуализации путем включения в них материалов или функциональных групп, соответствующих физическим принципам, лежащим в основе каждой методики, что позволяет применять их в КТ, МРТ и ультразвуковом исследовании (УЗИ). В настоящее время наиболее изученными считаются наночастицы золота, известные своими оптическими свойствами и применяющиеся в фототермической терапии для избирательного уничтожения раковых клеток с помощью излучения и наночастицы оксида железа, использующиеся в МРТ и таргетной терапии, обеспечивая достижение как диагностических, так и лечебных целей [18]. Однако PCCT, благодаря своему потенциалу в визуализации К-края, находящегося в диапазоне от 25 до 150 кэВ, способна обнаружить эти наночастицы даже в очень низких концентрациях, что может способствовать раннему выявлению первичных новообразований и метастазов. Кроме того, использование наночастиц может быть сопряжено на их взаимодействии с определенными молекулярными мишенями PDA, открывая перспективы для более эффективной тераностики [19]. Несмотря на потенциал наночастиц в рамках раннего выявления PDA, на сегодняшний день их использование ограничивается в виде маркеров крови, а не как агентов визуализации, специфичных для PDA [20, 21].

Молекулярная визуализация с использованием ПЭТ продолжает вызывать большой интерес с точки зрения диагностики PDA. В настоящее время наиболее используемый в клинической практике ПЭТ-радиотрактор, 18F-фтордезоксиглюкоза (ФДГ), не рекомендован Национальной всеобъемлющей онкологической сетью (National Comprehensive Cancer Network, NCCN) для использования в диагностике PDA [22]. Как и при других видах ЗНО, выявление небольших поражений с помощью ПЭТ с ФДГ/КТ является сложной задачей из-за относительно низкого соотношения сигнала к шуму, создаваемого небольшими опухолями по сравнению с фоновой активностью паренхимы поджелудочной железы, которая может отличаться неоднородностью, особенно в условиях сопутствующего воспаления, что создаёт необходимость в поиске других агентов для проведения ПЭТ с целью улучшения показателей ранней диагностики PDA.

Гистопатологически PDA представляют собой гиповаскулярную опухоль, состоящую из мелких трубчатых (протоковых) структур, расположенных в плотной фиброваскулярной строме, имеющую инфильтративный характер роста. Белок активации фибробластов (Fibroblast activation protein, FAP) имеет повышенную степень экспрессии раково-ассоциированными фибробластами при многих ЗНО, включая PDA [23]. Было разработано несколько радиотерапевтических препаратов, нацеленных на FAP, в частности 68Ga-FAPI, который ингибирует его действие [24]. Многочисленные исследования показали возможность применения FAP-ПЭТ/КТ при PDA и ее преимущества над ФДГ-ПЭТ/КТ [25-27]. Однако FAP-ПЭТ/КТ имеет то же потенциальное ограничение, что и ФДГ, а именно сложность в разграничении воспаления в опухолевой ткани [28]. Тем не менее, исследования, изучающие использование FAP-ПЭТ/КТ в мышиных моделях PDA, продемонстрировали многообещающие результаты относительно раннего выявления опухолей по сравнению с ФДГ-ПЭТ/КТ [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 FAP-ПЭТ/КТ, в будущем она может сыграть важную роль в отборе пациентов для раннего выявления РПЖ. В настоящее время исследуются дополнительные ПЭТ-тракеры, направленные на интегрины, рецептор эпидермального фактора роста (epidermal growth factor receptor, EGFR) и экстрадомен-B фибронектина (extradomain-B fibronectin, EDB-FN). Интегрин - поверхностная молекула клеток, выполняющая функцию рецептора фибронектина, играющая роль посредника во взаимодействии клеток и способствующая пролиферации и ангиогенезу, экспрессия которого повышается при многих ЗНО [32, 33]. EGFR - трансмембранный гликопротеин, играющий ключевую роль в неоангиогенезе и пролиферации опухолевых клеток [34]. EDB-FN - гликопротеин, обнаруженный во внеклеточном матриксе многих ЗНО, включая PDA [35]. Тем не менее, исследование данных трассеров находится на ранней стадии, что требует дополнительного их изучения с целью определения их эффективности ранней диагностике PDA.

Молекулярная ультразвуковая визуализация показала свою перспективность в ранней диагностике PDA. Ряд исследовательских групп сфокусировались на разработке микропузырьков, нацеленных на специфические биомаркеры эндотелия сосудов при PDA [36]. В моделях мышей PDA ультразвук, нацеленный на рецептор фактора роста эндотелия сосудов типа 2 (vascular endothelial growth factor receptor 2, VEGFR2), позволяет обнаружить небольшие очаги опухоли диаметром менее 3 мм [37]. Антиген дифференцировки тимоцитов 1 (Thymocyte differentiation antigen 1, Thy 1) является молекулярным маркером, уровень которого повышается при PDA, а молекулярный ультразвук in vivo с одноцепочечным антителом-лигандом, связывающим Thy 1, позволяет обнаружить PDA как в ортотопической, так и в трансгенной мышиной модели [37]. BR55 - контрастное вещество на основе липопептида, нацеленное на VEGFR2 использующееся для молекулярной визуализации ангиогенеза было применено в исследованиях 2 фазы для определения характера поражения поджелудочной железы у пациентов с подозрением на PDA (NCT03486327).

Все больше данных свидетельствует о существенной роли метаболической трансформации в патогенезе PDA. Мутации в онкогене KRAS, встречающиеся в 90% случаев PDA, стимулируют гликолиз в новообразовании, что сопровождается повышенной экспрессией многочисленных гликолитических ферментов, включая лактатдегидрогеназу А, усилением аэробного гликолиза и накоплением лактата, способствующим росту опухоли [38, 39]. И напротив, гены, кодирующие аланин-аминотрансферазы, детерминирующие превращение пирувата в аланин, в клетках PDA снижены [40]. Такое метаболическое изменение может быть исследовано неинвазивно с помощью гиперполяризованной (HP) 13C МРТ - нового метода молекулярной визуализации, обладающего чувствительностью и химической специфичностью для исследования метаболических процессов, которые ранее были недоступны для визуализации.

Гиперполяризация, достигаемая с помощью метода динамической ядерной поляризации (ДЯП), обеспечивает повышение чувствительности (увеличение сигнала в 10000 раз) для визуализации 13C-меченых биомолекул, которые отличаются отсутствием токсичности по отношению к организму [41]. Было показано, что МРТ с использованием HP 13C-пирувата позволяет обнаруживать и отслеживать развитие PDA в трансгенных моделях мышей [40, 42]. В частности, в поджелудочной железе наблюдалось постепенное снижение соотношения сигналов 13С аланина/13С лактата при прогрессировании заболевания от предшественников интраэпителиальной неоплазии поджелудочной железы (pancreatic intraepithelial neoplasia, PanIN) до PDA. Недавнее клиническое исследование показало возможность использования МРТ с пируватом HP 13C для количественной оценки метаболической функции в здоровой поджелудочной железе и при PDA до и после системной терапии [43]. Эти исследования подчеркивают потенциал данного метода с точки зрения повышения эффективности диагностических и лечебных комплексов у пациентов с высоким риском развития PDA. Следует отметить, что МРТ с использованием HP 13C пирувата успешно прошла клинические испытания, продемонстрировав безопасность при использовании 68Ga-FAPI46 ПЭТ/КТ в качестве исходного метода.

ИИ и стратификация риска на её основе без данных визуализации

Искусственный интеллект (ИИ) - это общий термин, охватывающий обширный спектр вычислительных технологий, которые позволяют компьютерам реализовывать решение задач, обычно требующих человеческого интеллекта [12]. Машинное обучение (МО) является подмножеством ИИ, а глубокое обучение (ГО) - это специализированный подход МО, использующий свёрточные нейронные сети (СНС) 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 [12]. Модели МО требуют ручного преобразования медицинских изображений в числовые показатели (т. е. контроля со стороны человека-эксперта), в то время как ГО способно напрямую обрабатывать исходные изображения. Ключевые элементы моделирования ГО включают сбор и предварительную обработку данных, выбор модели и разработку архитектуры, обучение и проверку, а также оценку эффективности применяемой модели.

Placido и соавт. использовали методы ГО для анализа клинических данных 6 миллионов пациентов, в том числе 24 000 с PDA из Датского национального регистра пациентов и 3 миллионов лиц, в том числе 3900 c PDA из базы данных Управления по делам ветеранов США (United States Veterans Affairs, US-VA). Их целью было определить, возможно ли спрогнозировать возникновение РПЖ в течение 36 месяцев после постановки первоначального диагноза на основе сведений, извлеченных из электронных медицинских карт, таких как диагностические коды и истории болезни [44, 45]. Модель с наилучшими показателями имела область под кривой рабочей характеристики приемника (area under the receiver operating characteristic, AUROC) 0,879 (0,877-0,880), однако при применении алгоритма к данным из системы здравоохранения US-VA показатели снизились до 0,710 (0,708-0,712). Предполагается, что такая разница в эффективности, скорее всего, 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 месяцев до постановки PDA, включая неуточненную желтуху, заболевания желчевыводящих путей и поджелудочной железы, абдоминальные и тазовые боли, потерю веса, 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 клиницисту трудно распознать при осмотре пациента, особенно в условиях отсутствия постоянного лечащего врача. Возможно, будущие алгоритмы, включающие лабораторные данные, такие как уровень глюкозы, тенденции изменения веса, извлеченные из данных медицинских карт, улучшат результаты раннего выявления PDA и позволят более эффективно диагностировать лиц, которым необходимо устранить потенциально модифицируемые факторы риска [44, 45].

В настоящее время основным препятствием для разработки надежных алгоритмов ИИ является то, что, несмотря на наличие огромного количества медицинских данных в системах электронных медицинских карт, их качество варьируется, а доступ к большим объемам персональных данных пациентов, остается сложным и небезопасным. Большая часть медицинских сведений неструктурирована под модели ИИ и имеет неточности и большое количество информации, что препятствует эффективному и точному анализу данных, необходимому для разработки крупномасштабных моделей ИИ.

Визуализация необходима для диагностики, определения стадии и планирования лечения PDA. КТ и МРТ имеют ограниченную диагностическую точность для выявления опухолей размером менее 2 см (69% и 82% соответственно), что позволяет рассматривать радиомикроскопию и ГО как инструменты, способные улучшить показатели ранней диагностики PDA на её ранних стадиях [46].  Большинство существующих ГО-моделей для обнаружения PDA используют модель сегментации, например U-Net и ее варианты, для выделения и изоляции поджелудочной железы от других структур на соответствующих срезах КТ [47]. Входными данными являются результаты КТ, а выходными - ограничительные рамки (области интереса) вокруг поджелудочной железы. Классификационная модель определяет наличие или отсутствие ЗНО в поджелудочной железе. Входными данными для этих классификаторов являются сфокусированные области поджелудочной железы на данных КТ, полученных 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, показали, что ГО могут правильно сегментировать поджелудочную железу на КТ-изображениях [48]. Производительность классификаторов зависит от объема и разнообразия обучающих данных [49]. Классификатор должен учитывать различные характеристики PDA (размер, форма, стадия) на изображениях и особенности исследуемых пациентов (возраст, пол и раса). Несколько исследований МО и ГО, основанных на визуализации, показали перспективность раннего выявления PDA.

Исследователи из клиники Мейо продемонстрировали, что модели МО на основе радиомики Radiomics Early Detection Model (RED-MOD) могут обнаруживать и количественно определять визуальные признаки, характерные для раннего PDA на сегментированных снимках поджелудочной железы [50]. В частности, модель МО на основе машины опорных векторов (Support Vector Machines, SVM) позволила выявить визуально незаметные признаки PDA на преддиагностических КТ с портально-венозной фазой, выполненных по другим показаниям в период от 3 до 36 месяцев до окончательного установления клинического диагноза PDA, медиана 12,6 месяца (97-1092 дня) [51]. Важно отметить, что в процессе предварительной клинической интерпретации эти КТ были признаны отрицательными в отношении PDA. Высокая специфичность модели оказалась применима как к независимому внутреннему набору данных, так и к общедоступному набору данных КТ поджелудочной железы Национального института здоровья США (National Institutes of Health-Pancreas CT, NIHPCT) [52]. Модель значительно превзошла результаты рентгенологов в идентификации PDA на КТ-изображениях. Высокая эффективность по выявлению визуально незаметных признаков PDA являлась устойчивой в широком диапазоне клинически значимых вариаций получения изображений и рабочего процесса радиомикроскопии [53]. Кроме того, данная исследовательская группа разработала полностью автоматизированный алгоритм ИИ на основе ГО (AutoCNN) для раннего обнаружения PDA [54], которая позволила использовать автоматизированный подход с применением сегментаций, полученных ИИ [55, 56]. Авторы заложили в модель ИИ обширный набор данных (~ 3000) КТ, что делает её одним из самых больших баз на сегодняшний день. Следует отметить, что исследователями исключались КТ с билиарными стентами, поскольку такие устройства создают помехи и расцениваются ИИ как опухолевые образования [57]. Автоматизированная модель с высокой точностью выявляла PDA на КТ-изображениях вне зависимости от их изоденсивности. Хоть и ИИ был обучен на базе данных КТ с более крупными новообразованиями, он оказался способен обнаружить PDA на преддиагностических снимках, которые, в среднем, предшествовали постановке диагноза на 475 дней (15-16 месяцев). Модель ИИ также продемонстрировала высокую эффективность в группах высокого риска, включающей пациентов с СД [58]. Было выявлено, что эффективность её использования не зависела от таких параметров как демографическая характеристика пациентов, технология сканера и протоколы визуализации. Для оценки потенциала подходов на основе ИИ для раннего выявления PDA в группах высокого риска необходимо провести проспективную оценку в сочетании с новыми биомаркерами в крови.

Cao и соавт. была разработана ГО-модель под названием PANDA (pancreatic cancer detection with artificial intelligence), предназначенная для высокоточной диагностики различных поражений поджелудочной железы с помощью КТ [59]. PANDA - это ГО-модель, которая не только определяет наличие поражения, но и сегментирует и классифицирует его подтипы. Ее обучение было проведено на наборе данных 3208 пациентов из одного центра, а проверка - на многоцентровой когорте из 6239 пациентов из 10 учреждений. PANDA достигла превосходной AUROC 0,986-0,996 при выявлении поражений поджелудочной железы. 33 радиолога с разным уровнем опыта (от ординаторов до специалистов по визуализации поджелудочной железы) интерпретировали КТ 291 пациента без контрастирования. PANDA превзошла результаты рентгенологов в диагностике PDA на 34,1% по чувствительности и на 6,3% по специфичности. Помимо этого, 15 специалистов по визуализации поджелудочной железы интерпретировали результаты КТ с контрастным усилением тех же пациентов. PANDA (с использованием только бесконтрастной КТ) превзошла специалистов в диагностике PDA на 13,0% по чувствительности и на 0,5% по специфичности. При внешней валидации наборов данных из Китая, Тайваня и Чехии PANDA сохраняла высокий показатель AUC. Субанализ для малых PDA малого размера (< 2 см) показал высокую чувствительность - 92,2%. Исследователи также протестировали модель на наборе данных, где существует большее опасение снижения эффективности, обусловленной большим количеством малозаметных поражений. В ходе оценки 20530 пациентов, PANDA достигла высокой чувствительности (> 96%) и специфичности 99,9% по выявлению ранних стадий PDA. Исследователи предположили, что PANDA может быть использована в качестве нового инструмента для широкомасштабного скрининга PDA, используя широкие базы данных неконтрастной КТ, которая регулярно проводится по различным клиническим показаниям [59].

Другие исследователи пытались использовать ГО с целью выявления иных видов новообразований поджелудочной железы. Park et соавт. разработали алгоритмы ГО, позволяющие обнаруживать семь различных типов солидных и кистозных новообразований поджелудочной железы, включая PDA, нейроэндокринную опухоль (neuroendocrine tumor, NET) и внутрипротоковую папиллярную муцинозную опухоль (intraductal papillary mucinous neoplasm, IPMN) [60]. В исследование были включены 852 пациента с различными солидными и кистозными новообразованиями поджелудочной железы в обучающем наборе, 603 пациента в первом тестовом наборе и 589 пациентов во втором тестовом наборе. Производительность ГО сравнивалась с результатами двух сертифицированных радиологов. В первом тестовом наборе ГО достигла AUC 0,91, что не сильно отличалось от AUC радиологов, составлявшей 0,92-0,95. Несмотря на то, что во втором тестовом наборе эффективность ГО-модели была ниже, чем у радиологов (AUC 0,87 против 0,95-0,96, p < 0,001), данный подход всё ещё представляет собой значительный шаг вперед в автоматическом обнаружении опухолей поджелудочной железы размером до 1 см [60].

Chen и соавт. разработали алгоритм ГО на основе 546 пациентов с PDA и 733 представителей контрольной группы, который обеспечил чувствительность 89,9%, специфичность 95,9% и AUC 0,96 для выявления PDA на КТ с контрастным усилением портально-венозной фазы [61]. В рамках проведённого исследования не было выявлено значительной разницы между чувствительностью алгоритма ГО и заключением радиолога (ГО - 90,2%, заключение радиолога - 96,1%, p = 0,11). Эффективность алгоритма сохранилась на внешнем валидном наборе данных из 1473 КТ-изображений (669 пациентов с PDA, 804 представителя контрольной группы) учреждений Тайваня с чувствительностью 89,7%, специфичностью 92,8% и AUC 0,95. В подгруппе опухолей размером менее 2 см, которые могут быть пропущены в клинической практике, алгоритм ГО достиг приемлемой чувствительности 74,7% [61].

Задачи и будущие направления ИИ для ранней диагностики PDA

Результаты данных исследований представляют собой значительный прогресс в области ранней диагностики PDA с использованием технологий ИИ. Тем не менее их внедрение в клиническую практику требует тщательной проспективной многоинституциональной проверки. Процесс оценки должен охватывать различные группы пациентов и медицинские учреждения, с целью обеспечения надежности 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 (> 10 000 пациентов), которые необходимы для эффективного обучения и проверки моделей ИИ. Большинство опубликованных 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 на небольших наборах данных, которые зачастую не могут показать схожую эффективность. Наличие крупномасштабных наборов данных с открытым исходным кодом позволил 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 для развития надежных и эффективных моделей ИИ. Большинство моделей ГО функционируют как «черные ящики» без механизмов, позволяющих пользователям изучать их рассуждения, в то время как прозрачность и доверие имеют решающее значение для медицинских задач. Кроме того, ограничения, связанные с политикой возмещения расходов, интеграцией ИИ в клинические рабочие процессы, а также необходимость всестороннего обучения и подготовки конечных пользователей, включая радиологов и клиницистов, являются значительными препятствиями для широкого внедрения технологий ИИ в контексте визуализации поджелудочной железы. Большинству существующих ИИ не хватает объяснимости.

Хоть и в некоторые модели ГО интегрированы карты распределения зон, позволяющие выделить на КТ-изображениях важные области, влияющие на принятие решений, эти модели предлагают субъективную интерпретацию и не раскрывают в явном виде обоснование проделанной работы. Перспективным направлением является использование интерпретируемых методов ИИ, которые классифицируют важные визуальные признаки в текстовые объяснения. Другой подход к улучшению состоит в предоставление моделям ИИ возможности количественной оценки и вывода диагностической неопределенности. Такие методы, как байесовские нейронные сети, метод 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 КТ-изображений и не учитывают другие информативные клинические переменные, такие как пол, возраст, история болезни и индекс массы тела. Кроме того, интеграция алгоритмов ИИ с новыми биомаркерами представляет собой перспективную область, способную повысить точность и эффективности раннего выявления PDA. Будущие исследования должны быть направлены на разработку ГО-моделей, которые могли бы оценить эти переменные и более точно диагностировать PDA.

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 глубокого обучения и компьютерного зрения, внедрение ИИ в клиническую практику сопряжено с рядом вызовов. Основные риски и ограничения связаны с точностью диагностики, качеством обучающих данных, интерпретируемостью алгоритмов, а также этическими и юридическими аспектами использования технологии [11].

Точность и надежность диагностики

Одной из ключевых проблем использования ИИ в медицинской визуализации является риск ложноположительных и ложноотрицательных результатов [7]. Алгоритмы 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].

Еще одним важным ограничением является зависимость работы ИИ от качества данных. Для обучения алгоритмов используются медицинские изображения, однако различия в оборудовании, параметрах сканирования и стандартах визуализации в разных клиниках могут снижать точность диагностики [50]. Кроме того, большая часть доступных данных представляет собой уже подтвержденные случаи заболевания, тогда как примеры пациентов с предраковыми изменениями или ранними стадиями рака встречаются реже. Это приводит к смещению модели в сторону более поздних стадий заболевания и снижает ее способность к раннему выявлению опухоли.

Также следует отметить отсутствие универсальных стандартов оценки эффективности ИИ-алгоритмов в медицинской диагностике. Разные исследовательские группы используют различные методологии тестирования моделей, что затрудняет их объективное сравнение и валидацию перед внедрением в клиническую практику.

 Ограничения в обучении и применении моделей ИИ

Для корректной работы ИИ необходимо обучение на больших объемах данных, но в медицинской сфере доступ к таким данным ограничен [59]. В большинстве случаев наборы данных для обучения имеют несбалансированный характер: например, среди них может быть преобладание изображений поздних стадий PDA, а случаи на ранних стадиях будут встречаться реже [13]. Это приводит к тому, что алгоритмы 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, зависят от типа оборудования и параметров настройки томографов [54]. Это создает проблемы при переносе обученной модели в реальную клиническую практику: алгоритм, эффективно работающий на данных одной больницы, может показывать сниженные результаты на изображениях из другой клиники.

Еще одной проблемой является так называемая проблема “черного ящика”. Большинство моделей глубокого обучения 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 алгоритмов были интерпретируемыми и понятными для специалистов.

Этические и юридические вопросы

Юридическая ответственность за ошибки, допущенные алгоритмом ИИ, остается нерешенной проблемой [50]. В случае ошибочного диагноза ответственность может ложиться на врача, разработчиков алгоритма или медицинское учреждение, что затрудняет массовое внедрение технологии.

Другим важным аспектом является защита персональных данных. Использование ИИ требует обработки больших объемов 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 GDPR в Европе и HIPAA в США [33].

Также стоит учитывать возможность появления предвзятости (bias) в алгоритмах ИИ. Если в процессе обучения модель использовала данные, содержащие гендерные, расовые или социальные искажения, это может привести к снижению точности диагностики у отдельных групп пациентов. Например, алгоритм, обученный преимущественно на данных пациентов европейского происхождения, может показывать меньшую эффективность при диагностике PDA у азиатских или африканских пациентов.

Ограничения внедрения ИИ в клиническую практику

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

Еще одним ограничением является несовместимость многих существующих больничных систем с новыми алгоритмами. Внедрение ИИ 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.

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

Применение ИИ в медицинской визуализации открывает широкие перспективы, однако его интеграция в клиническую практику сопряжена с рядом серьезных 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 ИИ, развитие методов объяснимого искусственного интеллекта, обеспечение конфиденциальности данных и адаптация регуляторных норм.

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 PDA.

ЗАКЛЮЧЕНИЕ

В области раннего выявления PDA с помощью ИИ наблюдается значительный прогресс. Современные подходы включают в себя стратификацию риска до визуализации и увеличение популяции с помощью анализа электронных медицинских карт. Такие методы зачастую основаны на применении технологий ГО. Несмотря на значительные успехи, полномасштабное клиническое применение технологий ИИ всё ещё сопряжено с различными проблемами. Одновременно с этим появились новые трасеры, технологии визуализации и биомаркеры, однако их роль в ранней диагностике РПЖ требует дальнейшего изучения в рамках клинических исследований. Для существенного прогресса в ранней диагностике РПЖ, особенно в области ИИ, необходимо проведение исследований с использованием высококачественных и разнообразных данных. Кроме того, совместное использование ИИ и биомаркеров, представляет собой перспективное направление для дальнейших исследований, способное улучшить тераностику различных ЗНО, включая PDA.