Возможности нейросети в диагностике новообразований гортани
- Авторы: Сафьянникова Е.А.1, Крюков А.И.1,2, Кунельская Н.Л.1,2, Сударев П.А.1, Романенко С.Г.1, Курбанова Д.И.1, Лесогорова Е.В.1, Красильникова Е.Н.1, Иванова А.А.3, Осадчий А.П.3, Шевырина Н.Г.3
-
Учреждения:
- Научно-исследовательский клинический институт оториноларингологии им. Л.И. Свержевского
- Российский национальный исследовательский медицинский университет имени Н.И. Пирогова
- ООО «Рубедо»
- Выпуск: Том 5, № 1S (2024)
- Страницы: 98-101
- Раздел: МОЛОДЫЕ УЧЕНЫЕ: тезисы конференции НПКЦ
- Статья получена: 16.02.2024
- Статья одобрена: 05.03.2024
- Статья опубликована: 03.07.2024
- URL: https://jdigitaldiagnostics.com/DD/article/view/627076
- DOI: https://doi.org/10.17816/DD627076
- ID: 627076
Цитировать
Полный текст
Аннотация
Обоснование. В настоящее время искусственный интеллект в виде искусственных нейронных сетей активно внедряется в различные сферы нашей жизни, в том числе и в медицину. В частности, в оториноларингологии искусственные нейронные сети используют изображения, полученные при эндоскопическом обследовании пациентов (например, при видеоларингоскопии) [1–3] Интерпретация ларингоскопической картины зачастую представляет значительные трудности для практического врача, что снижает частоту выявления предраковых заболеваний гортани и способствует росту числа пациентов с раком гортани III–IV стадии [4, 5] Это определяет важность своевременного проведения и правильной интерпретации результатов эндоскопического обследования пациентов с заболеваниями гортани. Искусственные нейронные сети могут быть применены для анализа результатов видеоларингоскопии, предоставляя дополнительные подсказки врачу, что может помочь повысить точность диагностики и снизить риск ошибки [6, 7].
Цель — разработка и обучение искусственной нейронной сети для распознавания характерных признаков образований и вариантов нормы гортани.
Материалы и методы. Работа выполнена в рамках гранта Московского центра инновационных технологий в здравоохранении № 2112-1/22 «Использование нейросети (алгоритмов искусственного интеллекта) для контроля и повышения качества диагностики и лечения заболеваний структур гортани и уха на основе цифровой технологии». В процессе работы применялись методы сбора данных, необходимых для создания фотобанка (датасета) медицинских изображений, полученных при видеоларингоскопии; методы разметки данных для формирования датасетов по отдельным нозологиям и группам заболеваний; метод консилиума; методы анализа точности распознавания и классификации цифровых эндоскопических снимков; методы обучения классификационных нейронных сетей.
В итоге для обучения искусственной нейронной сети был собран, размечен и загружен датасет, состоящий из 1471 снимка гортани в цифровых форматах (jpg, bmp). Среди них на образование гортани пришлось 410 изображений, на варианты нормы — 1061 снимок. Далее было проведено обучение нейросети и тестирование её с целью распознавания признаков нормы и образований гортани.
Результаты. По результатам тестирования искусственной нейронной сети была сформирована матрица неточностей, рассчитано значение точности распознавания, рассчитаны показатели качества работы модели, построена ROC-кривая. Разработанная и обученная искусственная нейронная сеть продемонстрировала точность 86% в распознавании признаков образований и нормы гортани.
Заключение. Проведённое исследование демонстрирует, что обученная искусственная нейронная сеть может достаточно успешно различать признаки нормы и образований гортани на эндоскопических фотографиях. При дальнейшем обучении нейросети и достижении высокой точности данную технологию возможно применить в клинической практике в качестве помощника в интерпретации ларингоскопических изображений и ранней диагностики образований гортани, а также для контроля и повышения качества диагностики и лечения заболеваний горла, носа и ушей врачами первичного звена.
Ключевые слова
Полный текст
Обоснование. В настоящее время искусственный интеллект в виде искусственных нейронных сетей активно внедряется в различные сферы нашей жизни, в том числе и в медицину. В частности, в оториноларингологии искусственные нейронные сети используют изображения, полученные при эндоскопическом обследовании пациентов (например, при видеоларингоскопии) [1–3] Интерпретация ларингоскопической картины зачастую представляет значительные трудности для практического врача, что снижает частоту выявления предраковых заболеваний гортани и способствует росту числа пациентов с раком гортани III–IV стадии [4, 5] Это определяет важность своевременного проведения и правильной интерпретации результатов эндоскопического обследования пациентов с заболеваниями гортани. Искусственные нейронные сети могут быть применены для анализа результатов видеоларингоскопии, предоставляя дополнительные подсказки врачу, что может помочь повысить точность диагностики и снизить риск ошибки [6, 7].
Цель — разработка и обучение искусственной нейронной сети для распознавания характерных признаков образований и вариантов нормы гортани.
Материалы и методы. Работа выполнена в рамках гранта Московского центра инновационных технологий в здравоохранении № 2112-1/22 «Использование нейросети (алгоритмов искусственного интеллекта) для контроля и повышения качества диагностики и лечения заболеваний структур гортани и уха на основе цифровой технологии». В процессе работы применялись методы сбора данных, необходимых для создания фотобанка (датасета) медицинских изображений, полученных при видеоларингоскопии; методы разметки данных для формирования датасетов по отдельным нозологиям и группам заболеваний; метод консилиума; методы анализа точности распознавания и классификации цифровых эндоскопических снимков; методы обучения классификационных нейронных сетей.
В итоге для обучения искусственной нейронной сети был собран, размечен и загружен датасет, состоящий из 1471 снимка гортани в цифровых форматах (jpg, bmp). Среди них на образование гортани пришлось 410 изображений, на варианты нормы — 1061 снимок. Далее было проведено обучение нейросети и тестирование её с целью распознавания признаков нормы и образований гортани.
Результаты. По результатам тестирования искусственной нейронной сети была сформирована матрица неточностей, рассчитано значение точности распознавания, рассчитаны показатели качества работы модели, построена ROC-кривая. Разработанная и обученная искусственная нейронная сеть продемонстрировала точность 86% в распознавании признаков образований и нормы гортани.
Заключение. Проведённое исследование демонстрирует, что обученная искусственная нейронная сеть может достаточно успешно различать признаки нормы и образований гортани на эндоскопических фотографиях. При дальнейшем обучении нейросети и достижении высокой точности данную технологию возможно применить в клинической практике в качестве помощника в интерпретации ларингоскопических изображений и ранней диагностики образований гортани, а также для контроля и повышения качества диагностики и лечения заболеваний горла, носа и ушей врачами первичного звена.
Об авторах
Евгения Александровна Сафьянникова
Научно-исследовательский клинический институт оториноларингологии им. Л.И. Свержевского
Email: zh.saffi@inbox.ru
SPIN-код: 9016-9253
Россия, Москва
Андрей Иванович Крюков
Научно-исследовательский клинический институт оториноларингологии им. Л.И. Свержевского; Российский национальный исследовательский медицинский университет имени Н.И. Пирогова
Email: nikio@zdrav.mos.ru
ORCID iD: 0000-0002-0149-0676
SPIN-код: 9393-8753
Россия, Москва; Москва
Наталья Леонидовна Кунельская
Научно-исследовательский клинический институт оториноларингологии им. Л.И. Свержевского; Российский национальный исследовательский медицинский университет имени Н.И. Пирогова
Email: nlkun@mail.ru
ORCID iD: 0000-0002-1001-2609
SPIN-код: 9282-6970
Россия, Москва; Москва
Павел Алексеевич Сударев
Научно-исследовательский клинический институт оториноларингологии им. Л.И. Свержевского
Email: mnpco@mail.ru
ORCID iD: 0000-0001-9085-9879
SPIN-код: 4113-3569
Россия, Москва
Светлана Георгиевна Романенко
Научно-исследовательский клинический институт оториноларингологии им. Л.И. Свержевского
Email: s_romanenko@bk.ru
ORCID iD: 0000-0002-8202-5505
SPIN-код: 5645-3401
Россия, Москва
Диана Игоревна Курбанова
Научно-исследовательский клинический институт оториноларингологии им. Л.И. Свержевского
Автор, ответственный за переписку.
Email: doctor_diana@mail.ru
ORCID iD: 0000-0002-3571-8851
SPIN-код: 4597-5197
Scopus Author ID: 55589484800
ResearcherId: AFE-6792-2022
Россия, Москва
Екатерина Владимировна Лесогорова
Научно-исследовательский клинический институт оториноларингологии им. Л.И. Свержевского
Email: katenan1@rambler.ru
ORCID iD: 0000-0003-1753-5960
SPIN-код: 1602-4311
Россия, Москва
Екатерина Николаевна Красильникова
Научно-исследовательский клинический институт оториноларингологии им. Л.И. Свержевского
Email: fil_kate@mail.ru
ORCID iD: 0000-0002-8675-078X
SPIN-код: 8759-7139
Россия, Москва
Анастасия Александровна Иванова
ООО «Рубедо»
Email: AnastasiaIwanova@yandex.ru
ORCID iD: 0009-0001-4684-5864
Россия, Москва
Антон Павлович Осадчий
ООО «Рубедо»
Email: uhogorlonosiki@yandex.ru
ORCID iD: 0009-0001-3270-4390
Россия, Москва
Наталья Григорьевна Шевырина
ООО «Рубедо»
Email: shevyrina.nata22@gmail.com
ORCID iD: 0009-0003-9446-5457
Россия, Москва
Список литературы
- Paderno A., Gennarini F., Sordi A., et al. Artificial intelligence in clinical endoscopy: Insights in the field of videomics // Frontiers in Surgery. 2022. Vol. 9. P. 933297. doi: 10.3389/fsurg.2022.933297
- Cao C., Liu F., Tan H., et al. Deep Learning and Its Applications in Biomedicine // Genomics Proteomics Bioinformatics. 2018. Vol. 16, N 1. P. 17–32. doi: 10.1016/j.gpb.2017.07.003
- Suganyadevi S., Seethalakshmi V., Balasamy K. A review on deep learning in medical image analysis // International Journal of Multimedia Information Retrieval. 2022. Vol. 11, N 1. P. 19–38. doi: 10.1007/s13735-021-00218-1
- Пачес А.И., Бржезовский В.Ж., Демидов Л.В., и др. Опухоли головы и шеи. Москва : Практическая медицина, 2013. EDN: XXRBCO
- Черемисина О.В., Чойнзонов Е.Л. Возможности эндоскопической диагностики предопухолевых заболеваний и рака гортани в современной онкологии // Сибирский онкологический журнал. 2007. Т. 3, № 23. С. 5–9. EDN: IBAIOD
- Ren J., Jing X., Wang J., et al. Automatic Recognition of Laryngoscopic Images Using a Deep-Learning Technique // Laryngoscope. 2020. Vol. 130, N 11. P. E686–E693. doi: 10.1002/lary.28539
- Xiong H., Lin P., Yu J.G., et al. Computer-aided diagnosis of laryngeal cancer via deep learning based on laryngoscopic images // EBioMedicine. 2019. Vol. 48. P. 92–99. doi: 10.1016/j.ebiom.2019.08.075