Разработана ИИ-модель для ранней диагностики рака поджелудочной железы по КТ-снимкам
Исследователи Балтийского федерального университета (БФУ) имени Иммануила Канта совместно с коллегами из Южного федерального университета разработали уникальную нейросетевую модель для ранней диагностики рака поджелудочной железы. Система определяет новообразования почти так же точно, как опытный врач.
Рак поджелудочной железы часто выявляют на поздних стадиях, когда прогноз для пациента крайне неблагоприятен: пятилетняя выживаемость составляет около 9 %.
«Разработанная интеллектуальная система на основе нейросетевой архитектуры U-Net способна автоматически анализировать КТ-снимки и выявлять подозрительные новообразования. Диагностическая модель продемонстрировала высокие показатели: коэффициент сходства Dice — 70 %, точность — 88 %, чувствительность — 98 %, специфичность — 98 %», — прокомментировал результаты один из авторов разработки, профессор Института высоких технологий БФУ им. И. Канта Михаил Никитин.
Программа создавалась как система поддержки принятия решения для врачей-рентгенологов, онкологов, хирургов. Система не просто отмечает наличие опухоли на изображении, а выделяет ее на КТ-снимке. Программа позволяет выявлять новообразования поджелудочной железы даже небольшого размера, что важно для ранней диагностики.
«Представьте, что у врачей есть снимки компьютерной томографии (КТ) брюшной полости. На них нужно найти подозрительный участок/опухоль в поджелудочной железе. Обычно это делает рентгенолог: он внимательно изучает каждый снимок из их большого количества — это кропотливая работа, требующая достаточно длительного времени и большого опыта. В нашем исследовании мы создали компьютерную программу с нейросетевым алгоритмом (ИИ), которая помогает врачам находить подозрительные участки/новообразования поджелудочной железы. В дальнейшем подозрительные участки будут дообследованы», — рассказал один из авторов исследования, аспирант БФУ им. И. Канта Федор Парамзин.
Программу обучали на реальных снимках КТ — с опухолями поджелудочной железы и без них. Разработанная модель на основе U‑Net, по словам ученых, имеет ряд ключевых преимуществ перед аналогами.
«Ключевое преимущество модели — комплексный подход: оптимизированная архитектура U‑Net сочетается с продвинутой предобработкой изображений, механизмом итеративного самообучения и интеграцией в клинический рабочий процесс (автоматическое измерение размеров опухоли, наглядная визуализация результатов). Внедрение технологии позволит ускорить анализ медицинских изображений, повысить вероятность выявления опухолей на ранних стадиях и стандартизировать диагностику, снизив влияние субъективного фактора. В перспективе метод может быть масштабирован в другие центры и регионы при адаптации под локальные протоколы и требования к клиническим процессам», — отметил научный руководитель проекта, профессор БФУ им. И. Канта Михаил Агапов.
Разработчики подчеркивают, что созданная ими система не заменяет врача, а выступает его умным помощником. Она значительно ускоряет процесс анализа снимков и снижает риск пропуска новообразований малых размеров. Окончательное решение в выборе тактики дообследования (биопсия, магнитно-резонансная томография, позитронно-эмиссионная томография) и оптимальной стратегии лечения всегда принимает врач-специалист.
В дальнейшем ученые планируют повысить качество и эффективность алгоритма программы за счет добавления КТ‑снимков с разными типами и стадиями опухолей, внедрения дополнительных диагностических признаков (текстурные, радиомические и морфологические параметры), использования более сложных архитектур нейронных сетей, интеграции данных КТ с мультимодальными данными других методов визуализации (МРТ, УЗИ) и проведения внешней валидации на многоцентровых данных.