Нейросети в онкоурологии

Введение

Онкологическая заболеваемость населения — проблема высокой социальной значимости современной медицины, являющаяся причиной смерти и инвалидизации населения развитых, а в последние годы и развивающихся стран, приводящая к значительной утрате трудоспособной части общества [1]. Онкоурология занимает особое место в онкологии. Несмотря на ежегодные успехи в лечении злокачественных новообразований мочеполовой системы, онкоурологи по-прежнему находятся в поиске новых методов диагностики, лечения новообразований, разрабатывают программы скрининга для выявления заболеваний на ранних стадиях [2]. Искусственная нейронная сеть (ИНС) является распространённым методом машинного обучения в технологии искусственного интеллекта, который быстро внедряется в различные области здравоохранения, в том числе и в онкоурологию [3]. Растущий интерес к искусственному интеллекту (ИИ) и машинному обучению (МО) отражается в увеличении числа исследований, финансировании грантовых проектов, стартапов в области здравоохранения [4]; появляется литература по применению ИИ в урологической практике [5].

Искусственный интеллект — это термин, используемый в вычислительной технике для описания способности компьютерной программы выполнять задачи, поставленные специалистом, такие как обсуждение, рассуждение и обучение. Он также включает такие процессы, как адаптация, сенсорное понимание и взаимодействие. Проще говоря, традиционные вычислительные алгоритмы — это программы, которые следуют набору правил и последовательно выполняют одну и ту же задачу. С другой стороны, ИИ изучает правила (функции) посредством обучения (вводных) данных. В недалёком будущем ИИ может значительно изменить систему здравоохранения, производя новые концептуальные решения из огромного количества цифровых данных, полученных в ходе диагностики и/или лечения пациентов [6]. Он использует огромные объёмы полученных данных для решения заранее определённых задач. Система способна к самообучению, используя алгоритмы, которые могут автономно модифицировать себя до тех пор, пока не будет оптимизирован желаемый результат, как в случае глубокого обучения [7]. Благодаря быстрому развитию программных и аппаратных технологий, ИИ стал применяться в различных технических областях, таких как сельское хозяйство, дорожное движение, всемирной сети Интернет, робототехнике и др. [8]. Анализ публикационной активности баз данных Pubmed по ключевому слову «искусственный интеллект в медицине» показал кратное увеличение за последние 20 лет. Интеграция ИИ в автоматизированные решения прикладных задач в медицине происходит за счёт высокой точности работы новой технологии. Как в головном мозге, алгоритмы нейронных сетей строятся из искусственно созданных нейронов, или «узлов». Узлы, соединённые в параллельные структуры, именуются слоями. В основе работы алгоритмов лежит извлечение знаний из данных и оптимизация сети за счёт усиления взвешенных связей, которые могут классифицировать объекты или даже предсказывать результаты. Таким образом, нейронные сети способны вычислять сложные и нелинейные взаимодействия между данными, которые часто непросто вычислить при помощи обычного линейного статистического анализа [9].

Основные области применения ИИ в биомедицине можно разделить на четыре категории. Первые три предназначены для эффективной обработки больших баз данных и обеспечения быстрого доступа к решению поставленных задач, связанных с оказанием медицинской помощи. Наиболее остро потребность в скорейшей интеграции ИИ в биомедицину связана с диагностикой заболеваний (последняя категория применения ИИ). В последние десятилетия в этой области был сделан ряд интересных прорывов. Благодаря ИИ специалисты способны проводить более раннюю и точную диагностику различных заболеваний [10]. Один из основных классов диагностики основан на диагностике in vitro с использованием биосенсоров или биочипов. Например, экспрессия генов, которая является важным диагностическим инструментом, может быть проанализирована с помощью машинного обучения, в котором ИИ интерпретирует данные микрочипа для классификации и обнаружения аномалий [11]. Новая точка приложения ИИ — классификация данных раковых микрочипов для диагностики рака [12], определившая основной вектор развития в диагностике и прогнозировании. Другой важный класс диагностики заболеваний основан на обработке медицинских сигналов (одномерных, например, при электроэнцефалографии, электромиографии и электрокардиографии) и изображений (двумерных, например, при ультразвуковом исследовании, магнитно-резонансной или компьютерной томографии) [13]. Внедрение технологий ИИ в портативные ультразвуковые устройства позволяет сократить «кривую» обучения, особенно у начинающих специалистов [14]. В дополнение ко всему прочему, по мнению S. Safdar et al. (2018), ИИ оказывает неоценимую помощь врачам, снижая нагрузку на персонал за счёт повышения точности диагностики и облегчения принятия решений в выборе той или иной тактики лечения [15].

С учётом важности ИИ и его влияния на медицинскую практику грамотность врачей любой специальности имеет ключевую роль. Неосведомлённость в данном вопросе может ограничить и замедлить развитие данной технологии, понизить качество критического потребления ИИ [16]. Осведомлённость в вопросе ИИ, МО, глубокого обучения, различий алгоритмов нейронных сетей, а также точек приложения данной технологии в онкологии значительно повысит экспертность современного онкоуролога, так как ИИ неизбежно изменит здравоохранение в том виде, в каком мы его знаем [17].

Цель исследования. Изучить текущее состояние исследований в области применения нейросетей в онкоурологии, включая основные методы, модели и алгоритмы, используемые в этих исследованиях, а также применение нейронных сетей в онкоурологической практике. Обобщить результаты исследований, представленные в литературе, и выделить наиболее перспективные направления развития и применения нейросетей в онкоурологии.

Алгоритм литературного поиска

При поиске литературных публикаций были проанализированы базы данных PubMed, Scopus, Web of Science по ключевым запросам «oncology», «urology», «cancer urology», «neural network», «artificial intelligence» в период с 2013 по 2023 год.

Фундаментальные понятия: искусственный интеллект (ИИ), машинное обучение (MО), глубокое обучение (DL), архитектуры нейросетей

Алгоритмы нейронной сети — подкласс в иерархии ИИ, который объединяет в себе сам искусственный интеллект, машинное обучение и глубокое обучение. ИИ описывает алгоритмы, которые требуют затрат человеческого интеллекта. Машинное обучение (МО) — это подкласс ИИ, создающий алгоритмы с возможностью к самообучению. Глубокое обучение является следующей ступенью в иерархии. Оно способно самостоятельно подбирать функции для вычисления поставленных задач. Большинство алгоритмов глубокого обучения основаны на искусственных нейронных сетях [18]. Как и в биологической нервной системе, искусственные нейронные сети состоят из нейронов (особых вычислительных единиц). Искусственный нейрон получает входные сигналы x1, x2, ..., xn, которые умножаются на силу синапсов, именуемую весами (ω). Подобно потенциалу действия в нейроне, выход функции активации запускается за счёт взвешенной суммы его входных данных [19]. В настоящее время в программировании нейронных сетей создано большое количество вариантов архитектур нейронных сетей, от которых зависят функционал и прикладное использование. Первой моделью нейросети был перцептрон, предложенный американским нейрофизиологом Frank Rosenblatt в 1958 году. Идея компьютерной модели состояла в том, что поступающие от двух датчиков сигналы передаются ассоциативным элементам, а затем реагирующим элементам. Таким образом, перцептроны позволяют создать набор «ассоциаций» между входными стимулами и необходимой реакцией на выходе. Из-за недостатков, связанных с невозможностью выполнять ряд логических операций, перцептрон требовал доработки. Одним из решений было введение скрытого слоя, особого фильтра, состоящего из подключённых последовательно дополнительных перцептронов. Основным отличием глубокой сети (Deep Feed Forward) является наличие нескольких скрытых слоёв. Интересной разновидностью архитектуры нейросетей является Auto Encode: результатом обучения его выход должен стать его входом, а для того, чтобы сеть не пробрасывала значения и выполняла поставленные задачи, размеры её внутреннего слоя уменьшают. Зачастую после обучения Auto Encode использует не выход нейросети, а именно её скрытый слой. Принципиально другую структуру имеет сеть Hopfield Network: каждый из её нейронов является как входом, так и выходом. Основная идея сети Hopfield Network — сделать её независящей от порядка входных данных. Рекуррентные сети (Recurrent Neural Network) стали первой попыткой дать нейронным сетям механизм памяти. Рекуррентный нейрон получает, помимо предыдущего слоя, своё состояние в предыдущий момент времени. Доработанной моделью стали архитектуры долговременной и краткосрочной памяти (Long / Short Term Memory) со следующими функциями: стирание информации, фильтр обновления для запоминания информации и фильтр вывода для определения информации, которая будет передаваться на выходе из нейрона. Таким образом, сеть самостоятельно решает, какую информацию записать для дальнейшего использования, а какую стереть. Для работы с большим объёмом данных, в особенности для обработки изображений, состоящих из пикселей, были созданы свёрточные нейросети (Deep Convolutional Network). Первые слои такой сети сжимают информацию, а потом перцептрон обрабатывает сжатую информацию и выдаёт ответ. Первые слои состоят из свёрточных фильтров и матричных объединений. Сверточный фильтр сворачивает квадратный блок изображения в точку, производя ряд математических операций, а матрица объединения выбирает максимальное значение. Развёртывающие нейронные сети (Deconvolutional Network) работают в обратном порядке. Нужно понимать, что описанные выше архитектуры являются базовыми и всегда можно создать свою гибридную сеть под определённую задачу, не похожую ни на одну.

Применение ИИ при раке предстательной железы

В последние годы бурно развивающееся новое направление углублённого анализа цифровых изображений (радиомика) с использованием ИИ в корне изменило качество диагностики рака предстательной железы (РПЖ).

Проблематика диагностического поиска РПЖ крылась в мультифокальности поражения и наличии гетерогенного распределения гистологического рисунка, а значит, и оценка по Глисону у одного и того же пациента могла быть различной. Виды медицинской визуализации, такие как УЗИ, рентгеновская компьютерная и магнитно-резонансная томография (КТ и МРТ), позитронно-эмиссионная томография (ПЭТ), однофотонная эмиссионная компьютерная томография (ОФЭКТ), гибридные методы — ПЭТ / КТ, ПЭТ / ОФЭКТ, ПЭТ / МРТ, а также мультипараметрическая МРТ (мпМРТ) порой не всегда способны оценить размер патологической опухоли, особенно при поражениях с более низкими показателями PI-RADS и меньшим размером. Неоднородность опухоли и ограничения видов медицинской визуализации, наряду с ложноотрицательными результатами биопсии, приводят к расхождениям между классом биопсии опухоли и окончательной патологической оценкой всего органа после радикальной простатэктомии [20 – 22].

Радиомика — гибридный аналитический процесс, способный определять корреляции характеристик цифрового изображения тканей, в том числе и опухолевых, и включает в себя сбор данных и предварительную обработку, сегментацию опухоли, обнаружение и извлечение данных, моделирование, статистическую обработку и проверку (валидацию) данных. Биомаркеры изображений, полученные методами машинного обучения, подбираются алгоритмами автоматически. Наиболее популярными алгоритмами в радиомике являются регрессия, различные виды решающих деревьев и нейронные сети [23]. Радиомический анализ обеспечивает объективную количественную оценку неоднородности опухоли путём распределения и взаимосвязи уровней пикселей или вокселей серого в изображении. Итог анализа — построение стандартизированной прогностической модели для определения клинических результатов с выбранными функциями [24]. Именно выбор методологии моделирования и определение оптимальных методов машинного обучения за счёт заданных алгоритмов систем являются решающим шагом в получении клинически значимых результатов [25]. В своём обзоре L.A. Mata et al. (2021) продемонстрировали механизм установления радиолого-патологической корреляции путём совмещения гистологических данных после радикальной простатэктомии и снимков мпМРТ, что в перспективе рождает снижение вероятности различной оценки результатов одного и того же исследования как среди радиологов, так и среди патологоанатомов [26]. Совмещение радиомики и гистологических снимков повышает клиническую эффективность и интерпретацию результатов диагностики для выбора правильной стратегии лечения, стратификации риска заболевания и последующего должного наблюдения за пациентом [27].

Отдельного интереса заслуживает внедрение нейронных сетей в систему цифровой патологии (DP) в диагностике РПЖ. Оцифровка гистопатологических изображений даёт возможность внедрить ИИ и облегчить работу патоморфологам. Интегрированная идентификация опухоли и автоматическая оценка минимизируют участие гистологов, уменьшая риск ошибок [28]. Paige Prostate Alpha — это новая технология, основанная на слабо контролируемом алгоритме глубокого обучения, которая помогает патоморфологам точно и эффективно диагностировать РПЖ. В своей работе P. Raciti et al. (2020) продемонстрировали статистически значимое увеличение чувствительности диагностики РПЖ с использованием технологии Paige Prostate Alpha без значимого снижения специфичности. Цифровой помощник с поддержкой ИИ демонстрирует значительные преимущества, снижая частоту пропуска хорошо дифференцированных видов рака, которые часто имитируют доброкачественные новообразования простаты [29].

A. Chatrian et al. (2021) был предложен новый цифровой помощник для уроморфолога, использующий алгоритмы ИИ при оценке неоднозначных случаев, когда приходится прибегать к иммуногистохимии [30].

Оценка качества жизни в онкологии с каждым годом становится все более актуальной проблемой, требующей обсуждения и поиска новых решений [31]. ASCAPE — первый исследовательский проект, который на основе опросника IPSS / L с использованием ИИ разрабатывает персонализированную стратегию наблюдения за пациентами с раком предстательной железы [32].

Применение ИИ при раке мочевого пузыря

Рак мочевого пузыря (РМП) является десятым, наиболее часто диагностируемым, видом рака во всем мире [33]. Цистоскопия остаётся золотым стандартом первоначальной диагностики РМП [34]. Точное обнаружение опухоли при цистоскопии имеет решающее значение для улучшения качества трансуретральной резекции рака мочевого пузыря и уменьшения частоты рецидива. X. Jia et al. (2023) продемонстрировали эффективность сверхточной нейронной сети CystoNet-T, улучшающей производительность стандартной цистоскопии в белом свете путём автоматизации обнаружения опухолевого новообразования [35].

Широко распространённый метод обработки изображения при помощи нейросетей и анализа их качественного содержания использовался в нескольких методиках диагностической цистоскопии, при которой ИНС успешно дифференцировали опухоли мочевого пузыря [36 – 38]. T.C. Chang et al. (2023) продемонстрировали интеграцию нейронной сети CystoNet-T в процедуру диагностической цистоскопии в белом свете и трансуретральной резекции (ТУР) мочевого пузыря. По результатам исследования было проведено 55 процедур: 21 цистоскопия и 34 ТУР. Специфичность выявления опухоли при цистоскопии с применением нейронной сети составила 98,8%. Для TУР чувствительность выявления опухоли мочевого пузыря составила 52,9%, а специфичность — 95,4%. Представленное авторами пилотное исследование демонстрирует целесообразность использования нейронной сети CystoNet-T в режиме реального времени в целях повышения диагностической точности цистоскопии и качества хирургического лечения [39]. Целью работы J.W. Yoo et al. (2022) стала оценка эффективности ИИ в диагностике рака мочевого пузыря при WLC (White light cystoscopy) и NBI-цистоскопии (Narrow Band Imaging), а также прогнозирование степени дифференцировки опухоли в зависимости от её цвета, с использованием метода красный / зелёный / синий (RGB). В ретроспективном исследовании было проанализировано 10 991 цистоскопических изображений с подозрительными опухолями мочевого пузыря с использованием свёрточной нейронной сети (CNN). Чувствительность, специфичность и точность диагностики составили 95,0%, 93,7% и 94,1% соответственно. Диагностика выявления опухолей с использованием ИИ была высокой, нейросети смогли различать степень дифференцировки опухоли, основываясь на её цвете [40].

При помощи подобных систем (ИНС совместно с обработкой МРТ-изображений) теперь возможно стадирование рака мочевого пузыря. 3D-текстурные особенности, полученные из карт интенсивности и производных высокого порядка, могут отражать гетерогенные раковые ткани. Функции текстуры, оптимально подобранные вместе с аугментацией образца, улучшают эффективность дифференцирования карцином мочевого пузыря, что позволяет неинвазивно стадировать опухоли перед оперативным вмешательством [41].

Применение ИИ при раке почки

Небольшие доброкачественные опухоли почки бывает сложно отличить от злокачественных, основываясь исключительно на стандартной технологии визуализации [42]. В наши дни не существует ни рентгенологических, ни клинических паттернов, способных с высокой долей вероятности предсказать патоморфологию новообразования почек. С недавнего времени разработаны алгоритмы нейронных сетей, позволяющие анализировать клинические данные и полученные изображения (КТ, МРТ и пр.), для прогнозирования и выбора правильной тактики лечения заболевания. Система автоматической классификации изображений КТ с использованием глубокого обучения, представленная в работе M. Pedersen (2020), облегчает дифференцировку онкоцитомы от почечно-клеточной карциномы, основываясь на неинвазивной технологии визуализации. Использованная в данном исследовании свёрточная нейронная сеть (CNN) и технология глубокого обучения продемонстрировали 90% точность и 98% специфичность в выявлении новообразований почек, что может поспособствовать пересмотру методов диагностики рака почки [43].

H. Zheng (2004) предложил метод диагностики ранней стадии почечно-клеточного рака почки с использованием оценки метаболомики сыворотки при помощи ядерного магнитного резонанса (ЯМР) и самоорганизующихся карт Kohonen (SOM) [44]. SOM — тип искусственной нейронной сети, способный к самообучению с учётом сложных и высокомерных данных с помощью проецирования информации в двумерную визуальную карту [45]. Авторы обучили и проверили модель SOM, используя данные метаболома сыворотки 104 участников, включая здоровых людей и пациентов с ранней стадией почечно-клеточного рака почки. В исследовании было доказано, что SOM может точно предсказать раннюю стадию почечно-клеточного рака почки с точностью 94,74%, а также может быть использована для оценки послеоперационного метаболического восстановления [44].

Алгоритм, способный дифференцировать подтипы почечно-клеточного рака с помощью обработки и градации серого цвета в снимках кортико-медуллярной фазы компьютерной томографии, был представлен в Стамбуле (Турция). Проверку данного метода обследования также проводили при помощи сравнения его результатов с гистологическим заключением после чрескожной биопсии почечной ткани. В эксперименте также сравнивали две разные модели обучения нейросетей, а по результатам тестов была показана 100% специфичность [46]. Отдельно от вышеописанного алгоритма, но используя те же принципы машинного обучения, Z. Feng et al. (2017) было написано программное обеспечение для дифференцировки при помощи компьютерной томографии ангиомиолипомы почки. Данный метод также продемонстрировал высокие показатели специфичности и чувствительности (87,8% и 100% соответственно при AUC 0,955) [47].

Применение ИИ при раке яичка

Опухоли яичка относительно редки, они составляют лишь 1% новообразований и 5% урологических опухолей у мужчин. В последние годы начинают появляться работы по изучению применения радиомики для визуализации опухолей яичка [48 – 49]. B. Baessler et al. (2020) предложили алгоритм машинного обучения для дифференцировки «доброкачественных» (некротических) и «злокачественных» (тератомных) лимфатических узлов, используя КТ-сканы пациентов с метастатическими несеминомными опухолями яичка после химиотерапии [50]. J. Lewin et al. (2018) разработали модель классификатора «доброкачественных» и «злокачественных» лимфатических узлов пациентов с метастатическими опухолями яичка путём сочетания функций радиомики с уже установленными клиническими биомаркерами до химиотерапии. Данный алгоритм прогностической радиомики имел в исследовании дискриминационную точность 72%, которая улучшилась до 88% после учёта клинических предикторов [51]. Помимо онкоурологии, радиомика продемонстрировала потенциал и в создании надёжных биомаркеров для оценки функции гонад. С её помощью стала возможной оценка функции яичек in vivo [52]. В систематическом обзоре S.C. Fanni et al. (2023) была проведена оценка современного состояния радиомики в визуализации яичек. После проведённого анализа 6 исследований, часть из которых были проспективными, авторы пришли к выводу, что радиомика в визуализации яичек является многообещающей областью исследований. Инвазивные процедуры в виде биопсии яичка имеют свои ограничения в предоперационной диагностике рака яичек. Исследования в области радиомики способны закрыть этот пробел [53].

Возможности ИИ в обучении хирургов, автономная робот-ассистированная хирургия

Кривая обучения — важнейшая концепция в освоении мануальных навыков, характеризующаяся периодом улучшения производительности и качества манипуляций с течением времени, выходя на фазу плато [54]. Хирурги с меньшим опытом склонны к неблагоприятным исходам, совершению ошибок, что требует создания более безопасной модели обучения. В наши дни начинают появляться программы обучения молодых хирургов на основе ИИ, которые обладают рядом преимуществ. Снизить воздействие на пациента возможно с использованием симуляции. Модель на основе ИИ, которая обеспечивает обратную связь и постепенно увеличивает сложность случая в соответствии с уровнем обучаемого, может снизить риск осложнений на момент освоения навыков до минимума. Такая программа позволяет начинающему специалисту на начальных этапах совершить ошибки, не подвергая опасности здоровье пациента [55].

Помимо снижения влияния на пациента, симуляция позволяет отработать ту или иную хирургическую технику много раз, «проиграть» различные варианты событий и рассмотреть нестандартные случаи. Такая возможность, помимо своей безопасности, привлекательна и с экономической точки зрения [56]. Важную роль в обучении играет компетентная оценка освоенных хирургом навыков [5]. Роботизированная хирургия стала основной платформой автономного подсчёта и анализа очков на основе машинного обучения, позволяющей разрабатывать новые стратегии и собирать реестр кривых обучения хирургов с оценкой хирургических навыков [57]. A.J. Hung et al. (2018) в своём 5-летнем многоцентровом исследовании продемонстрировали автономные показатели производительности и новые алгоритмы МО для оценки качества хирургических навыков, а также прогнозирование клинических результатов в роботизированной хирургии. Данные были получены в результате анализа использования инструментов во время робот-ассистированных операций в реальном времени. Это позволило идентифицировать паттерны движений и оценить уровень компетентности операторов. Авторам удалось соотнести уровень компетентности хирургических техник с результатами лечения пациентов, благодаря чему данная модель может быть использована для обеспечения индивидуального обучения [58].

Благодаря стремительному росту интереса к ИИ и его внедрению в различные сферы медицины, в том числе и в хирургическую практику, мы приближаемся к эре автономной, интеллектуальной роботизированной хирургии. Интеллектуальный робот будет способен распознавать органы, ткани и хирургические мишени для выполнения различного спектра задач, которые будут выполняться под контролем хирурга либо автоматически, дополняя работу человека. Облачные сервисы для хранения данных, высокоскоростной интернет с мгновенным обменом информацией, а также опыт ведущих хирургов из различных центров земного шара способны создать идеальную модель глубокого обучения, способную самообучаться и помогать хирургам в решении множества задач [59]. Первая попытка систематизировать исследования в области автономной роботизированной хирургии была предпринята в 2017 году G.Z. Yang et al. Авторы разделили автономность, которую может достичь хирургический робот, на шесть уровней (табл.) [60].

Робот-ассистированные системы, управляемые ИИ, помогают в предоперационном планировании, в интерпретации интраоперационной информации, а также в автономном выполнении этапов операции, тем самым повышая точность, безопасность и подготовку хирургов на благо пациентов и медицинского сообщества [61]. The American College of Surgeons опубликовал в июне 2023 года доклад, посвящённый кардинальным изменениям в хирургии, связанным с внедрением ИИ. Большинство экспертов в области роботизированной хирургии и ИИ сходятся во мнении, что врачи-хирурги вряд ли когда-нибудь будут полностью заменены автономными робот-ассистированными системами. Технология призвана помогать, а не заменять хирурга в принятии и выполнении задач [62].

Выводы

• Нейронные сети с каждым годом расширяют свои возможности применения в онкоурологии, а с ними растёт интерес к внедрению ИИ и машинного обучения в различные области медицины.
• Спектр потенциального применения нейронных сетей в онкоурологии огромен — от медицинского обучения до диагностики заболеваний, разработки персонализированного подхода к терапии и создания нового поколения роботических систем.
• Система, потенциально улучшающая результаты хирургических вмешательств и уменьшающая хирургические осложнения, обеспечивает преимущества как пациентам, так и начинающим хирургам.
• Роботизированная хирургия является идеальной моделью для разработки программ на основе ИИ, поскольку она обеспечивает всестороннюю регистрацию движений хирургов, а также постоянную визуализацию инструментов.
• Грамотность врачей любой специальности в осознании важности влияния ИИ на медицинскую практику имеет ключевую роль в скорости развития и внедрения данной технологии, повышении качества использования нейронных сетей.