ИИ выявляет рак на ранней стадии по изображениям

Хотите узнать, как ИИ выявляет рак на ранней стадии по изображениям? Давайте подробнее разберёмся вместе с INVIAI в этой статье!

Раннее выявление рака значительно повышает шансы на выживание. Искусственный интеллект (ИИ) теперь помогает врачам обнаруживать опухоли на медицинских изображениях раньше и с большей точностью.

Обучая модели глубокого обучения на тысячах аннотированных сканов и слайдов, ИИ учится распознавать паттерны, которые могут ускользнуть даже от опытных специалистов.

На практике инструменты ИИ анализируют изображения, такие как маммограммы, КТ грудной клетки, рентген, МРТ, ультразвуковые и патологические слайды, отмечая подозрительные участки и оценивая риск.

Например, ультразвуковое исследование с поддержкой ИИ помогло одной пациентке избежать ненужной биопсии щитовидной железы, показав, что её узел доброкачественный.

Эксперты называют ИИ в онкологии «беспрецедентной возможностью» для улучшения диагностики и лечения.

Как ИИ анализирует медицинские изображения

Системы ИИ для визуализации обычно используют глубокое обучение (особенно сверточные нейронные сети), обученные на огромных наборах данных. Во время обучения алгоритм учится выделять признаки (формы, текстуры, цвета), которые отличают раковые ткани от здоровых.

После обучения модель ИИ сканирует новые изображения и выделяет паттерны, соответствующие изученным признакам рака.

Фактически, ИИ становится сверхчувствительным «вторым читателем», указывая на тонкие поражения, которые человек может пропустить. Например, ИИ, анализируя маммограмму или срез КТ, может отметить крошечные кальцификаты или узлы цветными рамками и предупреждениями для радиолога.

Анализы ИИ также могут оценивать риск: некоторые алгоритмы прогнозируют будущий риск рака пациента по одному изображению (используя изученные корреляции), что позволяет врачам персонализировать интервалы скрининга.

В одном случае ультразвуковое исследование щитовидной железы, проанализированное ИИ, однозначно определило доброкачественную ткань, что совпало с результатами последующей биопсии и избавило пациентку от лишнего беспокойства.

Скрининг рака молочной железы

Маммография — яркий пример, где ИИ оказывает значительное влияние. Исследования показывают, что поддержка ИИ существенно улучшает выявление рака молочной железы при скрининге.

В крупном немецком исследовании радиологи, работавшие с ИИ, обнаружили на 17,6% больше случаев рака, чем без поддержки ИИ.

В частности, группа с ИИ выявила 6,7 случая рака на 1000 женщин против 5,7 на 1000 в стандартной группе, при этом даже немного снизив количество ложных вызовов (ложных тревог).

В целом, ИИ в маммографии может:

• Повышать чувствительность и специфичность. Исследования, финансируемые NCI, показывают, что алгоритмы ИИ «улучшают выявление рака молочной железы на маммограммах» и могут прогнозировать, какие поражения станут инвазивными.
• Обнаруживать тонкие признаки. ИИ способен отмечать крошечные скопления микрокальцификатов или асимметрии, которые легко пропустить при обычном скрининге, выступая в роли дополнительного эксперта.
• Снижать нагрузку и вариабельность. Предварительный отбор изображений позволяет ИИ выделять подозрительные случаи для радиологов, помогая справляться с растущим объемом маммограмм.

Отметим, что FDA одобрило несколько инструментов ИИ для маммографии (например, iCAD, SmartMammo от DeepHealth) для клинического использования, признавая их способность выявлять рак на ранних стадиях в реальных условиях.

Скрининг рака лёгких

ИИ также применяется для выявления рака лёгких на медицинских изображениях. Низкодозовые КТ (LDCT) используются для скрининга курильщиков с высоким риском; ИИ улучшает этот процесс, повышая качество изображений и обнаружение поражений.

Одним из преимуществ является снижение дозы облучения: алгоритмы реконструкции изображений на базе ИИ могут создавать чёткие КТ-снимки с меньшей дозой радиации, чем текущие LDCT.

Кроме того, системы компьютерной поддержки обнаружения (CAD) автоматически сканируют каждый срез КТ в поисках узлов. При обнаружении потенциального узла ИИ отмечает его на изображении для осмотра врачом.

Проще говоря, ИИ выступает в роли чувствительного второго читателя на снимках лёгких.

Например, последние модели демонстрируют высокую чувствительность к доброкачественным и злокачественным узлам (исследовательские системы обнаруживают более 90% узлов на тестовых сканах). FDA США одобрило ИИ-инструменты для помощи в скрининге рака лёгких, признавая их роль в ранней диагностике.

ИИ также может помочь персонализировать скрининг: комбинируя изображения с данными пациента, алгоритмы могут определять, кому нужны более частые обследования.

(Однако текущие исследования CAD показывают, что хотя ИИ находит больше узлов, большая часть прироста приходится на мелкие, низкорисковые узлы, и пока не наблюдается значительного улучшения в выявлении продвинутых поражений.)

Рак кожи (меланома)

Дерматоскопическая визуализация (увеличенные фотографии кожи) — ещё одна область, где ИИ показывает отличные результаты. Современные модели глубокого обучения, обученные на десятках тысяч изображений кожных поражений, могут с высокой точностью классифицировать родинки как доброкачественные или злокачественные.

В одном недавнем исследовании улучшенная нейронная сеть достигла 95–96% точности в выявлении меланомы на ранних стадиях по дерматоскопическим изображениям.

Это важно: меланома на ранней стадии имеет отличный прогноз (около 98% пятилетней выживаемости), тогда как на поздних стадиях выживаемость значительно ниже.

Выделяя подозрительные родинки для биопсии, ИИ может помочь дерматологам диагностировать меланому раньше.

Инструменты ИИ даже интегрируются в мобильные приложения или устройства, которые оценивают риск родинки по фотографии, расширяя возможности раннего выявления в первичной медицине.

Скрининг рака шейки матки

ИИ улучшает скрининг рака шейки матки, анализируя цифровые изображения шейки. Например, система CerviCARE использует глубокое обучение для анализа «цервикографии» (изображений, похожих на кольпоскопию) и распознавания предраковых поражений.

В многоцентровом исследовании ИИ CerviCARE достиг 98% чувствительности для выявления высокозлокачественных поражений шейки (CIN2+) при специфичности 95,5%.

На практике такой ИИ может помочь там, где мало опытных кольпоскопистов: алгоритм автоматически выделяет проблемные зоны, помогая не пропустить предраковую ткань.

Этот ИИ работает в тандеме с традиционными тестами Папаниколау и на ВПЧ для раннего выявления заболевания.

NCI также отмечает исследования по автоматизации выявления предрака с помощью ИИ в скрининге шейки матки.

Скрининг рака толстой и прямой кишки

Во время колоноскопии ИИ помогает в реальном времени. Современные системы непрерывно анализируют видеопоток с колоноскопа. Когда камера фиксирует полип или подозрительную ткань, ИИ выделяет её на экране (часто цветной рамкой и звуковым сигналом), привлекая внимание врача.

Колоноскопия с поддержкой ИИ: система обнаружила «плоский» полип (выделен синим), который врач может удалить.

Исследования показывают, что использование ИИ в колоноскопии увеличивает общее количество обнаруженных полипов, особенно мелких аденом. Это значит, что ИИ помогает врачам выявлять больше ранних образований, которые могли бы остаться незамеченными.

В одном крупном исследовании (CADILLAC) общее выявление аденом выросло с помощью ИИ. Однако эксперты отмечают, что большая часть прироста пришлась на мелкие, низкорисковые полипы, и добавление ИИ не значительно повысило выявление крупных, высокорисковых аденом.

Иными словами, ИИ отлично указывает на множество мелких поражений, но вопрос о том, улучшает ли он обнаружение самых опасных предраков, остаётся открытым.

Тем не менее, «второй глаз» ИИ снижает пропуски из-за усталости и уменьшает вариабельность между врачами. FDA одобрило системы ИИ (CADe) для клинической колоноскопии, помогая эндоскопистам в обнаружении полипов.

ИИ в патологии и других видах визуализации

Возможности ИИ выходят за рамки живой визуализации и охватывают патологию и специализированные сканы. Цифровые патологические слайды (высокоточные сканы биопсийных образцов) читаются алгоритмами ИИ.

Например, новый ИИ под названием CHIEF обучался на более чем 60 000 полноразмерных слайдов по 19 типам рака.

Он автоматически обнаруживает раковые клетки на слайде и даже прогнозирует молекулярный профиль опухоли по визуальным признакам. В тестах CHIEF достиг около 94% точности в выявлении рака на новых слайдах из разных органов.

Аналогично, FDA одобрило программное обеспечение ИИ для выделения раковых зон в образцах биопсии предстательной железы, помогая патологоанатомам сосредоточиться на ключевых участках. ИИ также одобрен для интерпретации МРТ опухолей мозга и ультразвука узлов щитовидной железы, среди прочего.

В целом, ИИ становится универсальным помощником: от МРТ/КТ и рентгена до микроскопических слайдов он отмечает аномалии, требующие внимания.

Преимущества ИИ в раннем выявлении

Во всех областях применения ИИ предлагает несколько ключевых преимуществ для раннего обнаружения рака:

• Повышенная чувствительность: ИИ способен выявлять очень тонкие признаки. В скрининге молочной железы ИИ обнаруживал около 20–40% интервалов рака (опухолей, пропущенных при первом чтении) при ретроспективном анализе предыдущих маммограмм.
  Это означает, что ИИ может выявлять рак раньше, чем только человеческий глаз.
• Точность и эффективность: Исследования показывают, что чтение с поддержкой ИИ снижает количество ложноотрицательных результатов и иногда уменьшает ложноположительные.
  Например, маммография с ИИ повысила положительную прогностическую ценность биопсии (то есть количество раков на биопсию) в немецком исследовании.
• ИИ обрабатывает изображения быстрее человека, позволяя скрининговым программам справляться с растущими объемами без потери качества.
• Постоянное качество: В отличие от людей, ИИ не устает и не отвлекается.
  Он обеспечивает единообразный уровень анализа, что снижает вариабельность между радиологами.
• Предотвращение ненужных процедур: Точнее отличая доброкачественные от злокачественных поражений, ИИ может избавить пациентов от лишних обследований.
  В примере с щитовидной железой ИИ уверенно исключил рак без биопсии.
• В дерматологии приложения ИИ могут успокоить пациентов по поводу доброкачественных родинок.
  В целом цель — точный скрининг: выявлять только те случаи, которые действительно требуют вмешательства, и избегать избыточного лечения.
• Глобальный доступ: В регионах с нехваткой специалистов ИИ-инструменты расширяют возможности скрининга на уровне удалённых клиник.
  Например, ИИ-кольпоскоп может помочь медсестрам проводить скрининг рака шейки матки в условиях с ограниченными ресурсами.

«Подходы на базе ИИ могут повысить способность врачей эффективно и точно оценивать рак». Во многих исследованиях сочетание ИИ и опыта врачей превосходит результаты каждого по отдельности, подобно консультации с компетентным коллегой.

Проблемы и особенности

ИИ также приносит вызовы. Модели, обученные на ограниченных или однородных данных, могут работать не одинаково хорошо для всех пациентов. Например, детекторы кожных поражений на базе ИИ должны обучаться на изображениях с разными оттенками кожи, чтобы избежать предвзятости.

Дерматоскопические ИИ-инструменты отмечают пробелы в работе с изображениями, содержащими артефакты (волосы, плохое освещение) и с недостаточно представленными типами поражений.

В скрининге большее количество обнаружений может означать больше ложных тревог: ИИ в колоноскопии отмечал множество мелких полипов, некоторые из которых могут никогда не перерасти в рак.

Удаление каждого мелкого поражения несёт свои риски (небольшой шанс кровотечения или перфорации). Поэтому врачам важно балансировать чувствительность и специфичность ИИ, чтобы избежать избыточной диагностики.

Интеграция ИИ в клинические процессы — задача непростая. Больницам нужны проверенные, одобренные FDA программы и обучение персонала. Также существуют вопросы ответственности, если ИИ пропустит рак.

Многие исследователи подчёркивают, что ИИ — это инструмент, а не замена; как сказал один радиолог, использование ИИ похоже на «консультацию с блестящим коллегой». Продолжающиеся испытания и постмаркетинговые исследования необходимы для подтверждения реальной пользы этих технологий.

Перспективы развития

Будущее ИИ в выявлении рака многообещающее. Исследователи разрабатывают «фундаментальные модели» (крупные ИИ, обученные на огромных наборах данных), способные выполнять множество задач одновременно. Примером является CHIEF из Гарварда: он обучался как «ChatGPT для патологии» на миллионах фрагментов изображений и работает с разными типами рака.

Похожие подходы вскоре могут объединить визуализацию с генетическими и клиническими данными для ультраперсонализированного скрининга. Мультимодальный ИИ сможет прогнозировать не только наличие рака, но и его агрессивность, помогая определять интенсивность последующего наблюдения.

Производительность ИИ быстро растёт благодаря новым методам. Системы CAD следующего поколения используют продвинутые архитектуры нейронных сетей и большие языковые модели для интерпретации изображений. В онкологии лёгких эксперты отмечают, что старые ИИ-системы были «примитивными» по сравнению с современными, и ожидают значительного улучшения в новых версиях.

Международные исследования (многоцентровые испытания в Европе и США) проводятся для масштабной валидации ИИ-инструментов. По мере накопления данных ИИ будет учиться на реальных результатах, постоянно повышая точность.

В заключение, ИИ уже помогает врачам выявлять рак на ранних стадиях по медицинским изображениям — от маммограмм и КТ до фотографий кожи и патологических слайдов. Несмотря на существующие вызовы, передовые исследования и одобрения регуляторов указывают на будущее, где ИИ станет стандартным помощником в скрининге рака.

Раннее обнаружение опухолей, когда лечение наиболее эффективно, может улучшить результаты для многих пациентов по всему миру.