Применение ИИ в ядерной медицине начинает набирать обороты — хорошее время, чтобы нажать на тормоза и обсудить последствия для этой области, по мнению экспертов ежегодного Общества ядерной медицины и молекулярной визуализации (SNMMI).

С этой целью среди тем, обсуждавшихся на заседании арены 26 января, был вопрос о том, могут ли алгоритмы искусственного интеллекта с глубоким обучением заменить традиционный радиомикологический анализ.

«Сейчас ИИ имеет официальный статус модного слова в нашей области, и это очень интересно», — сказал модератор Тайлер Брэдшоу, доктор философии, доцент кафедры радиологии Университета Висконсин-Мэдисон. «Однако около 10 лет назад было другое модное словечко, которое давало многие из тех же самых обещаний, и этим модным словечком была радиомикродинамика».

Радиомика, которая относится к извлечению полезных данных из медицинских изображений, традиционно выполнялась с использованием алгоритмов машинного обучения, обученных извлекать определенные функции изображения для анализа. По данным RSNA, этот метод применялся для улучшения диагностики, прогнозирования и поддержки принятия клинических решений с целью обеспечения точной медицины.

И наоборот, RSNA определяет глубокое обучение как класс машинного обучения, которое, в отличие от радиомики, которое требует ручного извлечения признаков из входных изображений, может «научиться» автоматически обнаруживать эти признаки.

«В литературе есть много примеров, которые показывают, что, когда мы используем функции, основанные на глубоком обучении, в отличие от традиционных функций, основанных на радиомикродинамике, мы можем получить очень высокую точность», — сказал Джойита Датта, доктор философии, адъюнкт-профессор биомедицинской инженерии Массачусетского университета в Амхерсте.

В частности, нейронные сети продемонстрировали потенциал для автоматического определения частей изображений, которые наиболее важны для интересующей задачи, сказала она. По ее словам, это устраняет необходимость в отдельной и изолированной сегментации изображений. Другими словами, подходы глубокого обучения потенциально могут быть менее обременительными для врачей, сказала она.

«Поэтому для меня это не проблема», — сказал Датта.

Абхинав Джа, доктор философии из Вашингтонского университета в Сент-Луисе, также выступал за алгоритмы глубокого обучения, а не за традиционную радиомику. Он сказал, что алгоритмы ИИ потенциально более воспроизводимы и надежны, и они могут учиться на больших наборах данных для выявления «скрытых» особенностей в опухолях, которые не могут быть обнаружены с помощью традиционных подходов радиомики.

Более того, наборы данных медицинских изображений, используемые в радиомике, могут быть неоднородными из-за использования различных сканеров и протоколов для получения изображений, в то время как глубокое обучение основано на «теореме универсального приближения», согласно которой, если вы предоставите алгоритму ИИ достаточно данных, он научится имитировать большинство функций, сказал он.

«При наличии достаточного количества данных глубокое обучение потенциально может моделировать неоднородности из-за изменчивости сканера и протокола визуализации», — сказал Джа.

Будущее радиомики

Важно отметить, что алгоритмы искусственного интеллекта с глубоким обучением до сих пор не превосходят традиционные методы радиомики, по словам Ирэн Бюват, доктора философии, которая утверждает, что будущее радиомики остается светлым.

Бюват, руководитель лаборатории молекулярной визуализации in vivo в центре ПЭТ Service Hospitalier Frédéric Joliot в Орсе, Франция, обсудил конкурс на встрече 2022 года, посвященной вычислениям медицинских изображений и компьютерным вмешательствам. В ходе эксперимента участники разработали различные модели для прогнозирования безрецидивной выживаемости пациентов с раком головы и шеи на основе сканирования F-18 FDG-PET/CT. Модели обучались на 488 изображениях пациентов.

«Среди трех моделей, показавших наилучшие результаты, все они были созданы вручную», — сказала она. «Ни одна из них не превзошла модели глубокого обучения».

Доктор Элиот Сигел, профессор и заместитель председателя по исследовательским информационным системам в Университете Мэриленда в Балтиморе, добавил, что с недавним всплеском публикаций об искусственном интеллекте можно подумать, что радиомика умерла. Тем не менее, радиомика была чрезвычайно активной и продолжает быть активной, отметил он.

По словам Сигела, по сравнению с традиционными методами радиомики модели глубокого обучения требуют очень больших наборов данных, а их разработка требует больших затрат и времени. Он сослался на Национальное испытание по скринингу легких, в котором приняли участие 53 454 пациента для сравнения подходов КТ и рентгенографии грудной клетки для выявления рака, и которое было разработано в качестве обучающего набора данных для ИИ.

«Сборка обошлась в четверть миллиарда долларов», — сказал он.

Еще одна проблема при внедрении глубокого обучения в ядерной медицине заключается в том, что изображения, полученные с помощью ПЭТ, как правило, не имеют достаточной текстуры для визуализации опухолей. По его словам, объем вокселей опухолей определяется размером матрицы изображений, а в ядерной медицине они относительно малы по сравнению, например, с ультразвуком. По словам Сигела, Radiomics выигрывает от этих факторов.

В конечном счете, Сигел предсказал, что эра радиомики останется сильной и в будущем будет сильно дополнять глубокое обучение.

«Я думаю, что для ядерной медицины радиомика будет подходом, который будет применяться еще довольно долго», — сказал он.

Источник