4 курс / Лучевая диагностика / ВОЗМОЖНОСТИ_СИСТЕМ_АВТОМАТИЧЕСКОГО_АНАЛИЗА_ЦИФРОВЫХ_РЕНТГЕНОЛОГИЧЕСКИХ
.pdf
51
(Рисунок 8), в котором приняло участие 1387 врачей различных специальностей,
при этом корректной оценке подлежит 651 результат, из которых 516
принадлежат врачам-рентгенологам, со стажем работы от менее 1 года до 20 лет и более. Большинство специалистов имели стаж работы от 1 года до 5 лет, составив
62,4% (Таблица 4) [6].
Также врачи-рентгенологи были распределены на 2 категории: с наличием опыта работы в торакальной радиологии (N=130) и без опыта работы в торакальной радиологии (N=386).
Рисунок 8 – Пример из тестирования врачей-рентгенологов посредством онлайн-
платформы Таблица 4 – Ранжированные данные врачей-рентгенологов из онлайн-
тестирования
Стаж работы |
Количество |
Доля |
0 |
56 |
10,8% |
1-2 |
179 |
34,7% |
3-5 |
143 |
27,7% |
6-10 |
87 |
16,9% |
>10 |
51 |
9,9% |
52
В ходе онлайн-тестирования среди тестируемых врачей-рентгенологов определялось несколько меньшее количество врачей со стажем работы более 6
лет. Их доля составило 26,8%, тогда как в предыдущем исследовании доля таких врачей – 39%. Также в ходе онлайн-тестирования была меньше доля врачей-
рентгенологов с опытом работы до 1 года (только 10,8% против 31% в очном тестировании), при этом существенно выше была доля врачей со стажем работы от 1 года до 5 лет (62,4% против 31% в очном тестировании). Разность соотношения врачей-рентгенологов очного и онлайн-тестирования вероятно обусловлена различиями интернет-аудитории и аудитории классических очных образовательных курсов [137].
Для оценки использовалась деперсонолизированная выборка цифровых рентгенограмм легких в передней прямой проекции 100 человек, состояние здоровья которых было подтверждено гистологическими и КТ-данными,
соотношение норма:патология составило 94:6 (6 человек с подтвержденным наличием синдрома округлого образования в легких и 94 человека без значимой рентгенологической патологии) [137].
В качестве патологических изменений использовались цифровые рентгенограммы 6 человек с синдромом округлого образования в легочной ткани,
что и в очном тестировании [137].
Случай 1 — цифровая рентгенограмма пациента с субсолидным округлым образованием в С1 правого легкого максимальным размером 18 мм — аденокарцинома по данным гистологического исследования (Рисунок 9).
Рекомендовано к изучению разделом по лучевой диагностике сайта https://meduniver.com/
53
Рисунок 9 – Данные лучевого обследования, случай N1
Случай 2 — цифровая рентгенограмма пациента с солидным округлым образованием в С1 правого легкого максимальным размером 67 мм — аденокарцинома по данным гистологического исследования (Рисунок 10).
Рисунок 10 – Данные лучевого обследования, случай N2
Случай 3 — цифровая рентгенограмма пациента с солидным округлым образованием в С4 левого легкого максимальным размером 8 мм — аденокарцинома по данным гистологического исследования (Рисунок 11).
54
Рисунок 11 - Данные лучевого обследования, случай N3
Случай 4 — цифровая рентгенограмма пациента с солидным образованием в С1+2 левого легкого, максимальным размером 34 мм — саркома по данным гистологического исследования (Рисунок12).
Рисунок 12 – Данные лучевого обследования, случай N4
Случай 5 — цифровая рентгенограмма пациента с солидным округлым образованием в С3 левого легкого максимальным размером 35 мм — мелкоклеточный рак по данным гистологического исследования (Рисунок 13).
Рекомендовано к изучению разделом по лучевой диагностике сайта https://meduniver.com/
55
Рисунок 13 – Данные лучевого обследования, случай N5
Случай 6 — цифровая рентгенограмма пациента с солидным округлым образованием в С2 правого легкого максимальным размером 19 мм — туберкулома по данным гистологического исследования (Рисунок 14).
Рисунок 14 – Данные лучевого обследования, случай N6
2.3 Проведение тестирования систем автоматического анализа
Для тестирования нами было выбрано четыре программных продукта на основе свёрточных нейронных сетей, позиционирующих себя как системы автоматической оценки цифровых рентгенограмм легких [44].
Критериями отбора программ для тестирования являлись:
1. Наличие свидетельства о регистрации программы для ЭВМ или патента;
56
2.Возможность тестового онлайн доступа;
3.В описании программного продукта указана функция выявления округлых образований легких.
Всего, согласно критериям включения, было выбрано четыре программных продукта (3 системы отечественных разработчиков и 1 система иностранного производства) [44].
Поскольку целью исследования ставилась общая оценка диагностических показателей имеющихся в настоящее время систем, а не оценка того или иного продукта, все программы, включенные в исследование, были анонимизированы
(A, B, C, D) [44].
Согласно рекомендациям разработчиков, программа A (номер регистрации-
2019665266) может быть установлена как в лечебном учреждении как программное обеспечение в виде системы поддержки принятия врачебных решений, предоставляя врачу-рентгенологу «второе мнение» [9], так и в виде дополнения к архиву медицинских изображений, проводя повторный анализ поступающих снимков, в целях обнаружения патологий, требующих внимания рентгенолога. Модуль для анализа рентгенограмм легких способен выявить 14
типов патологий к которым относятся (классификация патологий представлена производителем): уплотнения легочной ткани, инфильтраты, пневмония, опухоль,
узелки в легких, ателектаз, кардиомегалия, отек, выпот, эмфизема, фиброз, грыжа,
утолщение плевры, пневмоторакс [29]. По результатам анализа программа предоставляет пользователю информацию об обнаруженных патологиях, и
изображение с подсвеченной красным цветом зоной локализации патологии. Для работы с программой присутствует web-интерфейс, позволяющий просматривать результаты анализа снимков, изменять яркость и контрастность изображения
(Рисунок 15). Программа использует библиотеку pytorch для работы с нейронными сетями, flask в качестве веб-сервера - из письма [29].
Рекомендовано к изучению разделом по лучевой диагностике сайта https://meduniver.com/
57
Рисунок 15 – Интерфейс и результат обработки рентгенограммы легких программой А
Программа B позиционируется разработчиками как система для анализа наличия патологических изменений на цифровых рентгенограммах органов грудной клетки в прямой проекции и их описания (регистрационное удостоверение медицинского изделия № РЗН 2020/11137). Варианты исполнения системы автоматического анализа: Webshow, API» предназначена для анализа рентгенографических изображений органов грудной клетки в прямой проекции и последующего формирования заключения в условиях облачной инфраструктуры
[98]. Программа B является программным обеспечением, включающим в себя комплекс искусственных нейронных сетей. Искусственные нейронные сети предназначены для анализа диагностических исследований и классификации на категории: «с выявленными патологическими изменениями» и «без патологических изменений» [98]. По результатам анализа диагностического изображения программа B предоставляет пользователю протокол исследования, в котором указано в какую категорию данное рентгенологическое исследование относиться - «с выявленными патологическими изменениями» или «без
58
патологических изменений» [98]. Базовым элементом медицинского изделия является комплекс искусственных нейронных сетей, дополненных специфическим окружением, которое позволяет осуществлять взаимодействие комплекса обученных сетей и пользователей. При проектировании использованы модификации архитектур следующих нейронных сетей: InceptionVS, Inception ResNet-2, ResNet-50. Webshow WEB приложение (презентационный слой) – Web
приложение, которое предоставляет пользователю возможность в режиме реального времени загрузить рентгенологическое изображение и получить результаты анализа данного изображения нейросетью (Рисунок 16). Изделие предназначено для анализа деперсонифицированных диагностических изображений в формате PNG, JPEG или DICOM.
Программа B определяет наличие/отсутствие патологических изменений,
определяет зоны и виды патологических изменений, используя классификатор рентгенологических признаков, содержащий 12 классов патологических изменений органов (классификация классов патологий представлена производителем): ателектаз, пневмоторакс, гидроторакс, очаговая тень, полостное образование, инфильтрация, диссеминация, уплотнение легких, эмфизема легких,
отек легких, кардиомегалия, синдром ограниченного затенения [25].
Рекомендовано к изучению разделом по лучевой диагностике сайта https://meduniver.com/
59
Рисунок 16 – Интерфейс и результат обработки рентгенограммы легких программой B
По данным разработчиков, программа С (ТУ 62.01.29-001-96876180-2019,
регистрационное удостоверение медицинского изделия РЗН 2022/17406)
предназначена для автоматизированного анализа флюорографических изображений. Программа C производит обработку изображений, которые ей предоставляет пользователь и формирует заключения о наличии подозрения на патологические изменения или то рентгенологическое исследование соответствует норме. Данный анализ производится для автоматизированного рентгенограмм органы грудной клетки с подозрением на наличие различных заболеваний [28]. По данным разработчиков программа C способна выявлять и различать 9 типов патологий (классификация типов патологий представлена производителем): плевральный выпот, пневмоторакс, ателектаз, очаг затемнения,
60
инфильтрация/консолидация, диссеминация, полость,
кальцинат/кальцинированная тень, нарушение целостности кортикального слоя. [97]. Кроме того, данная программа указывает вероятность в численном значении наличия патологии [97]. Загрузка изображения на обработку происходит с помощью специального программного модуля (Рисунок 17). Изображение поочередно обрабатывается каждой сверточной нейронной сетью. Каждая из трех сверточных нейронных сетей на основании полученного в ходе обучения опыта выдает суждение, при наличии подозрительного участка, «подсвечивает» его.
Следующий программный модуль собирает результаты работы всех трех сетей,
объединяет их и накладывает на исходное изображение. Модуль вывода изображения демонстрирует полученный результат в виде изображения с выделенным патологическим участком (в случае его наличия). Предполагаемые патологические изменения демонстрируются с помощью цветовых схем, которые соответствуют тому или иному классу патологических изменений согласно автоматическому анализу рентгенограммы. Цветовая схема дублируется подписью о подозрении на наличие того или иного класса патологии [28, 27, 97].
Интенсивность цветовой окраски зависит от величины отклика от сетей и прямо пропорционально вероятности патологии по мнению программного оклика [28].
Рекомендовано к изучению разделом по лучевой диагностике сайта https://meduniver.com/