Radiomics in Urolithiasis: a Systematic Review of Current Applications, Limitations and Future Directions

Full Text

Введение

Общемировая заболеваемость мочекаменной болезнью (МКБ) составляет 56,67 случая на 100 тыс. населения. По данным исследовательского центра по изучению глобального бремени болезней (GBD), включающим 204 страны, за 2019 г. наибольшая распространенность МКБ зафиксирована в странах Восточной Европы и на территории Российской Федерации [1]. При этом прогнозируется, что до 15% населения в мире столкнется с данным заболеванием в течение жизни [2, 3]. Российская группа ученых (А.Д. Каприн и соавт., 2022) провела эпидемиологическое исследование, в котором изучена заболеваемость МКБ в России с 2005 по 2020 г. Одним из результатов исследования явилось то, что заболеваемость и распространенность МКБ среди взрослого населения неуклонно растет во всех регионах Российской Федерации, а заболеваемость среди детей остается стабильной. Причины этого факта обсуждаются и в настоящее время окончательно неизвестны [4].

Экспоненциальный рост цифровизации медицины привел к тому, что сектор здравоохранения начал использовать искусственный интеллект (ИИ) для управления и оптимизации сбора и использования данных. Применение возможностей ИИ в контексте медицинской визуализации известно как радиомика. Радиомика — это количественный метод, который извлекает обширные объемы полезных данных из медицинских и рентгенографических изображений. На основе радиомики создаются модели обучения, которые используются в алгоритмах характеристики данных, такие как машинное обучение, глубокое машинное обучение и искусственные нейронные сети [5].

Одними из перспективных направлений применения машинного обучения в диагностике МКБ являются обработка медицинских изображений и постановка диагноза на этой основе. «Золотой стандарт» диагностики МКБ — проведение компьютерной томографии (КТ) с получением данных в отраслевом стандарте DICOM (Digital Imaging and Communications in Medicine) с теговой организацией «пациент–исследование–серия–изображение (кадр или серия изображений)». КТ-изображение является результатом вычислений, а не проекционным теневым изображением. Учитывая сложность интерпретации полученных изображений с учетом несколько тысяч оттенков серого, перспективным представляется использование технологии компьютерного зрения и машинного обучения для решения обозначенных задач [6].

Эти алгоритмы количественно оценивают текстурную информацию, используя методы анализа из области ИИ для анализа больших данных. Большие данные описывают «большие объемы высокоскоростных, сложных и переменных данных, которые требуют передовых методов и технологий для сбора, хранения, распространения, управления и анализа информации» [7].

Радиомика преобразует медицинские изображения в количественные данные, а также предоставляет биомаркеры на основе изображений для помощи в принятии клинических решений и улучшения точной медицины [8]. Целью радиомики является улучшение диагностики за счет использования ИИ для оптимизации диагностической и прогностической информации [9, 10]. Она превосходит человеческую способность идентифицировать ключевые характеристики изображений, незаметные для невооруженного человеческого глаза, собирая скрытые объективные данные, которые могут повлиять на последующие решения о лечении [11].

Успехи в области онкологии привлекли внимание к применению радиомики при доброкачественных урологических заболеваниях, особенно при МКБ. Последовательность рабочего процесса радиомики при МКБ схематично представлена на рис. 1.

 

Рис. 1. Последовательность рабочего процесса радиомики

 

Хотя радиомика при МКБ все еще находится в зачаточном состоянии, она имеет потенциал для широкомасштабного внедрения. Дальнейшее ее развитие может позволить оптимизировать ведение пациентов, создать персонификационные модели профилактики и метафилактики МКБ. Ее наибольший потенциал заключается в корреляции с общепринятыми диагностическими и терапевтическими факторами.

Методика поиска и анализа литературы

Обзор медицинской литературы по использованию радиомики при диагностике и лечении МКБ, опубликованной в период с 2000 по 2022 г., был проведен в ноябре 2023 г. с использованием данных информационно-аналитических систем MEDLINE, Scopus, Google Scholar и Web of Science. Стратегия поиска проводилась в соответствии с критериями PICO (пациент–вмешательство–сравнение–исход), согласно которой пациентам с МКБ (P) диагноз валидировался с помощью алгоритмов на основе радиомического анализа и/или тактика лечения выбиралась с применением алгоритмов радиомики, в основе которого лежал текстурный анализ (I) в сравнении с традиционными методами биомедицинской статистики (C) с последующей оценкой достоверности примененных алгоритмов машинного обучения (O).

Для поиска медицинской литературы были использованы следующие ключевые слова: «радиомика», «текстурный анализ», «мочекаменная болезнь», «искусственный интеллект», «нейронные сети», «машинное обучение».

Критерии включения: оригинальные статьи по применению радиомики при МКБ; полнотекстовые статьи по диагностике, планированию лечения, прогнозированию результатов лечения МКБ на основе радиомики.

Критерии исключения: обзорные статьи; отчеты о клинических случаях; аннотации; экспериментальные и лабораторные исследования на животных.

В результате поиска отобрано 89 научных публикаций. После скрининга на соответствие критериям включения было исключено 18 научных публикаций, 61 исследование отобрано для детального анализа.

Результаты анализа литературы

Определение химического состава конкремента

Определение типа камней в почках — важный шаг в лечении МКБ для достижения удовлетворительного терапевтического результата. «Золотым стандартом» определения химического состава камня являются инфракрасная спектроскопия и рентгеновская дифракция. Оба метода признаны мировым медицинским сообществом надежными и широко используются. Однако данные методы требуют специализированного оборудования, которое имеется только в лабораториях, что сопряжено со значительными финансовыми и временными затратами. Сейчас недостаточно удалить камень тем или иным оперативным методом, так как минералогический состав камня служит основой для диагностики и определения тактики лечения [12]. Степень риска рецидива камнеобразования определяется химическим составом конкремента и тяжестью заболевания [13].

В свою очередь, применение текстурного анализа и глубокого машинного обучения с использованием данных КТ дает уникальную возможность определить химический состав камня неинвазивным методом. Ряд исследователей сообщают об определении состава камней непосредственно по данным КТ-исследований в ручном режиме [14, 15].

J. Zheng et al. разработали радиомическую модель, которая позволила в предоперационном периоде выявить инфекционные камни с дальнейшей валидацией [16]. Были проанализированы КТ-изображения 1198 пациентов с МКБ, и извлечены 24 лучшие радиомические характеристики из 1316, доработанные LASSO. Номограмма показала благоприятную калибровку и распознавание инфекционных камней как в обучающем, так и в трех проверочных наборах (площадь под кривой — 95%; доверительный интервал — соответственно 0,898 (0,840–0,956); 0,832 (0,742–0,923); 0,825 (0,783–0,866) и 0,812 (0,710–0,914)).

Аналогичную работу провели J.S. Kriegshauser et al. [17], оценивая эффективность применения различных алгоритмов машинного обучения для определения состава камня по КТ-изображениям. Были отобраны КТ-изображения 32 камней размером 3–10 мм. Методом инфракрасной спектрометрии определен состав камней с помощью пяти многопараметрических алгоритмов: нейросети, дерева решений (Dесisiоn Trее), случайного леса (Rаndоm Fоrest), метода опорных векторов (Suppоrt Vectоr Mаchine), гибридного алгоритма Байесовского классификатора с деревом решений (Nаive Bауes Trее), проанализировано 52 радиомические характеристики. При этом максимальная точность (100%) при определении компонентного состава камня была при классификации конкрементов по содержанию в составе мочевой кислоты. Нейросеть, метод Suppоrt Vectоr Mаchine и алгоритм Nаive Bауes Trее показали наилучшую точность в диагностике состава конкрементов. Противоположный результат выдали алгоритмы Dесisiоn Trее и Rаndоm Fоrest. К минусам данных алгоритмов можно отнести то, что при анализе КТ-изображении камней, не содержащих мочевую кислоту, точность диагностики снижается до 75%, что недостаточно для эффективной диагностики.

Кроме того, тип камня можно определять по внешнему виду, текстуре и сечению цифровых изображений компьютерной томографии и цифровой видеосъемки. Так, N. Grosse Hokamp et al. [18] использовали двухэнергетическую КТ и машинное обучение для прогнозирования различного состава камней, включая вевеллит (моногидрат оксалата кальция), ведделлит (дигидрат оксалата кальция), апатит (фосфат кальция), цистин, струвит (фосфат магния и аммония), мочевую кислоту (урицит) и ксантин. H.W. Chen et al. [19] создали прогностическую модель с радиомикронной сигнатурой на основе изображений нативной КТ и независимых клинических предикторов для обнаружения инфекционных камней, где площадь под кривой (AUC) составила 0,825.

В своем исследовании А. Abraham et al. [20] разработали автоматизированную систему детекции, позволяющую при эндоскопии различать шесть типов камней. Используя набор данных микроскопических изображений, полученных со смартфона, E.G. Onal et al. [21] оценили систему распознавания изображений, позволяющую быстро и точно классифицировать четыре типа камней в почках. Аналогично V. Estrade et al. [22] применили метод глубокого обучения к цифровым эндоскопическим видеопоследовательностям для автоматического определения морфологии камня в процессе его фрагментации. Используя клинические характеристики и особенности кишечной микробиоты, L. Xiang et al. [23] предсказали развитие вевеллита (моногидрат оксалата кальция). Указанные исследования, включая их цели, используемые методы ИИ и результаты, обобщены в табл. 1.

 

Таблица 1. Краткая характеристика ключевых исследований в определении химического состава камней с использованием методов машинного обучения

Авторы	Цель	Материал	Метод(ы)	Точность, %	Чувствительность, %	Специфичность
Xiang et al., 2021 г. [23]	Прогнозирование оксалатно-кальциевого камня в почках	Пациенты и компонентный состав камня	Машинное обучение (RF)	Н/д	Н/д	Н/д
Kazemi et al., 2017 г. [24]	Прогнозирование типа камня в почках	Пациенты и компонентный состав камня	Машинное обучение (на основе ансамбля данных)	97,10	Н/д	Н/д
Saclı et al., 2019 г. [25]	Прогнозирование состава камней в почках	Компонентный состав камня	Машинное обучение (К-ближайшие соседи)	98,17	98,00	98,60
Grosse Hokamp et al., 2020 г. [18]	Прогнозирование основного компонента чистых и смешанных камней в почках	КТ-изображения	Машинное обучение (поверхностная нейронная сеть)	91,10	Н/д	Н/д
Black et al., 2020 г. [26]	Прогнозирование состава камней в почках	Цифровые фотографии камни	Машинное обучение (РесНет-101)	Н/д	94,12 для мочевой кислоты	97,83 для мочевой кислоты
Zheng et al., 2021 г. [16]	Определение инфекционного камня в естественных условияx	КТ-изображения	Машинное обучение (ЛАССО)	Н/д	Н/д	Н/д
Abraham et al., 2022 г. [20]	Прогнозирование состава камней в почках	Демографические и клинические признаки результаты анализов мочи, КТ-изображения	Машинное обучение (XGBoost)	91,00	26,00	Н/д
Chen et al., 2022 г. [19]	Прогнозирование наличия мочевой кислоты в составе мочевых камней	Клинические параметры, КТ-изображения	Машинное обучение	Н/д	100	91,20
Onal et al., 2022 г. [21]	Прогнозирование состава камней в почках	Микроскопические изображения камня	Глубокое машинное обучение (CNN)	88,00	Н/д	Н/д
Estrade et al., 2022 г. [22]	Прогнозирование состава камней в почках	Эндоскопическое цифровое изображение и видео камня	Глубокое машинное обучение (CNN)	88 ± 6	80 ± 13	92 ± 2

 

Определение локализации камней и дифференциальная диагностика

Хотя достижения в радиологии улучшили возможности дифференциации флеболитов от камней мочеточника, они по-прежнему представляют собой трудную диагностическую задачу, особенно в неотложных ситуациях, что приводит к ненужному вмешательству и связанным с этим финансовым и ресурсным нагрузкам.

Впервые описанные в XIX в. флеболиты представляют собой слои кальцинированной фиброзной ткани, покрытые слоем эндотелия, который переходит в интимальный слой стенки вены [27]. Отличительными характеристиками флеболита являются центральная прозрачность, признак хвоста кометы и анатомическое распределение [28].

T. De Perrot et al. [29] в своем исследовании провели дифференциальную диагностику между конкрементами мочеточника и флеболитами с помощью улучшения использования низкодозной КТ без контрастного усиления. Были отобраны 369 пациентов с 211 камнями в почках и 201 флеболитом для независимого обучения и 43 пациента с 24 камнями в почках и 23 флеболитами в группу тестирования для обучения и экспериментирования с классификатором машинного обучения. Модель выбрана с использованием стратегии перекрестной проверки, которая позволила выбрать лучший классификатор машинного обучения — AdaBoost. Около 147 029 радиомических показателей, извлеченных из КТ-изображений, были использованы для прогностической модели. Данный классификатор показал высокие показатели чувствительности (91,7%) и специфичности (78,3%) при значении ROC-AUC 0,902, а общая точность составила 85,1%.

Указанное исследование продемонстрировало хорошие результаты применения текстурного анализа для дифференцировки флеболита и мочевых камней. Но возможно ли применять его для определения наличия конкремента в почках? На данный вопрос дало ответ исследование А. Parakh et al. [30], в котором проведен анализ КТ-изображений для определения наличия конкремента с дальнейшей классификацией по группам в зависимости от размера камня. В исследовании использовались КТ-изображения 535 пациентов с подозрением на МКБ, которые были получены на двух сканерах (S1 и S2). Конкременты присутствовали на 279 снимках и отсутствовали на 256. В качестве тестового набора отобрано по 50 КТ-изображений с каждого сканера, остальные 435 были использованы для разработки каскадных классификаторов. Разработано девять моделей с помощью комбинаций различных источников обучающих данных. Значение AUC для автоматической детекции конкрементов было от 0,92 до 0,95 в зависимости от модели. Модель GrауNеt-SВ показала 95%-ю точность по сравнению с ImаgеNеt-SВ, где точность составила 91%, и Rаndоm-SВ — 88%. В исследовании авторами была показана эффективность каскадной сверточной искусственной нейронной сети (ИНС). При использовании этого подхода мочевыводящие пути обнаруживаются с помощью первой модели, а камни — с помощью второй модели указанной нейронной сети.

Интересным также представляется исследование F. Homayounieh et al. [31], которые в своей работе проанализировали 202 пациента с камнями в почках, которым было проведено КТ-исследование на трех различных аппаратах компьютерной томографии с использованием автономного прототипа rаdiоmiсs. Данное исследование отразило способность автоматически сегментированной рентгеномики всей почки оценить количество камней и стратегию лечения по снимкам КТ и также прогнозировать гидронефроз. Выделено 1690 радиомических характеристик первого и более высокого порядка для каждой почки, которые были проанализированы с использованием логистического регрессионного анализа. Среди 202 только 28 пациентам (18%) потребовалось хирургическое лечение. Матрица сопутствующих заболеваний серого цвета (GLCM) и матрица продолжительности цикла серого цвета (GLRLM) дифференцировали пациентов на группы хирургического лечения и без него (AUC — 0,91; 95%-й ДИ: 0,85–0,92). Рентгеномика более высокого порядка (матрица зон размеров серого уровня — GLSZM) дифференцировала почки с гидронефрозом и без него (AUC — 0,99; p < 0,001), а также почки с различным объемом камней (AUC — до 0,89; 95%-й ДИ: 0,89–0,92).

D. Li et al. [32] использовали нативную КТ и глубокое машинное обучение, чтобы исключить ложноположительные области из камней в почках. А. Caglayan et al. [33] изучили эффективность модели глубокого обучения для выявления камней в почках на КТ-изображениях без контрастного усиления в различных плоскостях в зависимости от размера камня. Сагиттальная плоскость обеспечила лучшую чувствительность и специфичность по сравнению с другими плоскостями. М. Längkvist et al. [34] создали алгоритм компьютерного обнаружения, который позволяет выявить камень мочеточника при КТ. Аналогично К. Sudharson et al. [35] разработали алгоритм с использованием классификатора машинного обучения на основе машины опорных векторов (SVM) для выявления камней в почках, кист и опухолей с помощью ультразвукового исследования.

Некоторые исследователи пытались использовать автоматизированное машинное обучение для обнаружения камней в почках. Например, К. Yildirim et al. [36] применили модель глубокого обучения для автоматического обнаружения и локализации камней в почках по данным КТ-изображений в плоскости. Y. Cui et al. [37] также сообщили об автоматическом обнаружении камней в почках на изображениях нативной КТ с использованием глубокого обучения и метода оценки нефролитометрии (STONE). Чтобы справиться с шумом КТ, D.C. Elton et al. [38] использовали искусственную нейронную сеть (модель U-Net) для автоматического обнаружения и количественного определения объема мелких камней на КТ-изображениях в плоскости. R. Babajide et al. [39] проанализировали эффективность метода машинного обучения для автоматического обнаружения и характеристики камней в почках по сравнению с ручной диагностикой. Данные показали, что алгоритм машинного обучения более точно аппроксимирует границу камня с чувствительностью и специфичностью 100%.

В большинстве исследований камней в почках для диагностики используются различные методы медицинской визуализации, включая рентген, КТ и МРТ. Тем не менее лишь в нескольких исследованиях клинические характеристики использовались для диагностики МКБ. Так, N.L. Kavoussi et al. [40] предложили использовать радиомические характеристики камня, суточную мочу и клинические данные для разработки методов метафилактики. Возраст, пол и индекс массы тела, по мнению исследователей, — три переменные, которые оказывают наибольшее влияние на обучение моделей прогнозирования.

Указанные исследования, включая их цели, используемые методы ИИ и результаты, обобщены в табл. 2.

 

Таблица 2. Краткая характеристика ключевых исследований в диагностике мочекаменной болезни с использованием методов машинного обучения

Авторы	Цель	Материал	Метод(ы)	Точность, %	Чувствительность, %	Специфичность
Längkvist et al., 2018 г. [34]	Обнаружение камней в почках на КТ-изображениях	КТ-изображения	Глубокое машинное обучение (CNN)	Н/д	100,00	Н/д
Parakh et al., 2019 г. [30]	Обнаружение камня мочеточника на КТ- изображениях	КТ-изображения	Глубокое машинное обучение (CNN)	95,00	94,00	96,00
De Perrot et al., 2019 г. [29]	Дифференциация камней в почках и флеболитов на изображениях низкодозной КТ	КТ-изображения	Машинное обучение (AdaBoost)	85,10	91,70	78,30
Cui et al., 2021 г. [37]	Обнаружение и оценка количества камней в почках на основе STONE нефролитометрии	КТ-изображения	Глубокое машинное обучение (CNN)	Н/д	95,90	Н/д
Sudharson et al., 2021 г. [35]	Обнаружение аномалий почек по зашумленным ультразвуковым изображениям	УЗИ-изображения	Машинное обучение (SVM) и глубокое машинное обучение (CNN)	87,31 в шуме, уровень 0,02	Н/д	Н/д
Yildirim et al., 2021 г. [36]	Обнаружение камней в почках с помощью коронарных КТ-изображений	КТ-изображения	Машинное обучение (XResNet5)	96,82	95,76	97,00
Elton et al., 2022 г. [38]	Обнаружение камней в почках с помощью коронарных КТ-изображений	КТ-изображения	Глубокое машинное обучение (CNN) и машинное обучение (3DU-сети)	Н/д	86,00	Н/д
Li et al., 2022 г. [32]	Обнаружение камней в почках на КТ-изображениях	КТ-изображения	Машинное обучение (РесUNet)	99,95	96,61	99,97
Babajide et al., 2022 г. [39]	Обнаружение камней в почках и измерение характеристик камней на КТ- изображениях	КТ-изображения	Машинное обучение	Н/д	100,00	100,00
Caglayan et al., 2022 г. [33]	Обнаружение камней в почках на КТ-изображениях в разных плоскостях	КТ-изображения	Машинное обучение (XResNet50)	93,00, для камня размеры > 2 см	Н/д	Н/д

 

Определение тактики лечения и прогнозирование результатов

Лечение МКБ делится на хирургическое и консервативное. Хирургическое лечение включает такие операции, как дистанционная литотрипсия (ДЛТ), контактная уретеролитотрипсия (КУЛТ) и перкутанная нефролитотрипсия (ПНЛ). Одним из основных методов фрагментации мочевых камней без повреждения кожных покровов, при помощи ударных волн, является ДЛТ, в основном используемая для лечения камней малых и средних размеров.

M. Mannil et al. [41] в своем исследований использовали трехмерный текстурный анализ с алгоритмом Rаndоm Fоrest для дополнительной прогностической информации для успешной ДЛТ. Значимыми переменными были индекс массы тела (AUC — 0,68), размер камня (AUC — 0,58) и расстояние от камня до кожи (AUC — 0,63). Было проанализировано 256 радиомических характеристик каждого камня в почках с использованием пяти широко применяемых моделей машинного обучения. Классификатор Rаndоm Fоrest и характеристики по трехмерному текстурному анализу продемонстрировали AUC, равный 0,79, а включение клинических переменных в модель позволило увеличить точность раcпознавания до 0,85.

Год спустя эти же авторы в своем исследовании доказали принцип использования КТ-изображений конкрементов с применением текстурного анализа с целью прогнозирования количества ударных волн для распада камней. В данном исследовании было использовано 34 КТ-изображения конкрементов. Различие в размерах камней с разным химическим составом проводилось с помощью теста Краскела–Уоллиса с поправкой Бонферрони для множественых сравнений. Для прогнозирования необходимого количества ударных волн были предложены три модели: линейная регрессия, SМОrеg и простая линейная регрессия. Используя среднее количество необходимых ударных волн в качестве порогового значения, коэффициенты корреляции и AUC (0,84), высокая точность для определения количества ударных волн в соответствии с размерами камней и их химическим составом была обнаружена у модели SМОrеg (чувствительность — 94%; специфичность — 59%) [42].

Обращает на себя внимание комплексное исследование O. Jemil et al. [43], направленное на прогнозирование результатов ДЛТ. В своей работе авторы использовали шкалу Хаунсфилда и вариации неоднородности камней. В исследование было включено 220 пациентов после ДЛТ. Коэффициент вариации плотности камней и другие параметры, связанные со значениями уменьшения размеров камней и их фрагментации, были изучены в качестве потенциальных предикторов на основе нативной КТ. Успех ДЛТ оценивали через 3 мес с помощью КТ. Логистический регрессионный анализ был проведен для определения факторов, способствующих успеху лечения. Анализ рабочих характеристик приемника показал, что SDVC (AUC — 0,82; 95%-й ДИ: 0,76–0,87; р < 0,03), средняя плотность камней (AUC — 0,81; 95%-й ДИ: 0,75–0,87; р < 0,0001), максимальная плотность камня (AUC — 0,70; 95%-й ДИ: 0,63–0,78; р < 0,02), объем камня (AUC— 0,70; 95%-й ДИ: 0,62–0,77; р < 0,002) и большой диаметр (AUC — 0,67; 95%-й ДИ: 0,59–0,74; р < 0,01) имели значительную точность прогнозирования от высокой до низкой. Кроме того, было обнаружено, что SDVC успешно предсказывает результат ДЛТ, особенно для пациентов с высокой и средней плотностью камней (AUC — 0,80; 95%-й ДИ: 3,55–28,57; р < 0,004). Модель логистической регрессии, в которой найдена формула «вероятности распада камня» (SDP), правильно предсказала успех ДЛТ за один сеанс на 79,1%. Из данного исследования можно сделать вывод, что размер и значения затухания (уменьшение в размерах камня в процессе сеанса ДЛТ) были важными предикторами успеха лечения, а лучшим предиктором был SDVC. Оценка формулы SDP перед ДЛТ может прогнозировать результаты и облегчить принятие решений относительно стратегии лечения.

Машинное обучение также может применяться для прогнозирования результата после ПНЛ. Так, А. Aminsharifi et al. [44] предсказали послеоперационный исход ПНЛ на основе радиомических признаков камня, пред- и послеоперационных переменных с использованием искусственной нейронной сети. Модель может прогнозировать состояние отсутствия камней (SFR) или необходимость дополнительных процедур с чувствительностью и точностью от 81,0 до 98,2%. Более того, программное обеспечение для классификации методов машинного обучения дает лучшие результаты по сравнению с номограммой Guy’s Stone Score (GSS) и индексом STONE.

Машинное обучение также использовалось для создания системы поддержки принятия решения (DSS) с целью прогнозирования хирургического успеха. В исследовании Т. Shabaniyan et al. [45] были использованы четыре различных метода классификации для разработки DSS. В исследовании показано, что результат PNL может быть прогнозирован с высокой степенью точности (94,8%). B.M.Z. Hameed et al. [46] использовали машинное обучение на основе случайного леса (RF) для разработки системы поддержки принятия решений для прогнозирования состояния отсутствия камней после ПНЛ у пациентов с коралловидными камнями с точностью 81%. Указанные исследования, включая их цели, используемые методы ИИ и результаты, обобщены в табл. 3.

 

Таблица 3. Краткая характеристика ключевых исследований в определении тактики лечения и прогнозировании результатов при хирургическом лечении пациентов с мочекаменной болезнью с использованием методов машинного обучения

Авторы	Цель	Материал	Метод(ы)	Точность, %	Чувствительность, %	Специфичность
Michaels et al., 1998 г. [47]	Прогнозирование повторного роста камней после ДЛТ	Пациент и характеристики камня	Глубокое машинное обучение (ANNA)	91,00	91,00	92,00
Poulakis et al., 2003 г. [48]	Прогнозирование удаления камней в нижней группе чашечек после ДЛТ	Пациент, характеристики камня и КТ-изображения	Глубокое машинное обучение (ANNA)	92,00	Н/д	Н/д
Gomha et al., 2004 г. [49]	Прогнозирование отсутствия фрагментов камня после ДЛТ	Пациент и характеристики камня	Глубокое машинное обучение (ANNA)	77,70	77,90	75,00
Aminsharifi et al., 2017 г. [43]	Прогнозирование различных исходов ПНЛ	Пациент и характеристики камня	Глубокое машинное обучение (ANNA)	98,2	98,0	Н/д
Seckiner et al., 2017 г. [50]	Прогнозирование отсутствия фрагментов камня после ДЛТ	Пациент и характеристики камня	Глубокое машинное обучение (ANNA)	85,48	Н/д	Н/д
Mannil et al., 2018–2019 гг. [41, 42]	Прогнозирование отсутствия камней после ДЛТ	Пациент, характеристики камня и КТ-изображения	Глубокое машинное обучение (ANNA)	Н/д	65,00	72,00
Shabaniyan et al., 2019 г. [45]	Прогнозирование послеоперационного исхода ПНЛ	Пациент, характеристики камня и лабораторные данные	Машинное обучение (СВМ)	94,8	100,00	88,90
Hameed et al., 2021 г. [46]	Прогнозирование послеоперационного исхода ПНЛ	Пред- и послеоперационные характеристики пациента	Машинное обучение (RF)	81,00	Н/д	Н/д

 

Анализ алгоритмов машинного обучения

Обзор текущего применения радиомики при МКБ будет неполным без анализа алгоритмов машинного обучения, используемых в урологии, в зависимости от задач, которые стоят перед исследователями, и результатов, которых они хотели бы достичь. Прежде всего нужно сказать, что все алгоритмы машинного обучения основаны на использовании методов обучения с учителем. В основном это связано с тем, что большинство реализуемых задач формулируется и рассматривается в виде задач классификации.

Мы выделили основные исследования и отразили их в табл. 4, где сгруппировали все использованные методы обучения по типу алгоритма.

 

Таблица 4. Алгоритмы машинного обучения в урологии

Метод — алгоритм машинного обучения	Авторы, год
Байесовский классификатор	Lee et al., 2009 г. [51]; Brown et al., 2012 г. [52]; Topuz et al., 2017 г. [53]
Логистическая регрессия	Ibrahim et al., 2019 г. [54]; Elihimas et al., 2020 г. [55]
Древо решениий	Boukenze et al., 2017 г. [56]; Aldeman et al., 2021 г. [57]; Greco et al., 2010 г. [58]
Случайный лес	Aalamifar et al., 2015 г. [59]; Salekin et al., 2016 г. [60]; Subasi et al., 2017 г. [61]; Sanchez-Pinto et al., 2018 г. [62]; Singh et al., 2019 г. [63]; Azuaje et al., 2019 г. [64]; Shaikhina et al., 2017 г. [65]; Erdim et al., 2020 г. [66]; Kocak et al., 2019 г. [67]; Senan et al., 2021 г. [68]; Scanlon et al., 2021 г. [69]; Dagliati et al., 2018 г. [70]
SVM	Leung et al., 2013 г. [71]; Chen et al., 2014 г. [72]; Wu et al., 2016 г. [73]; Charleonnan et al., 2016 г. [74]; Konieczny et al., 2021 г. [75]
ANNА	Hokamp et al., 2019 г. [76]; Aminsharifi et al., 2017 г. [44]; Niel et al., 2018 г. [77]; Konieczny et al., 2019 г. [75]
Ансамбль классификаторов	Shabaniyan et al., 2019 г. [45]; Kanda et al., 2020 г. [82]; Martínez-Martínez et al., 2014 г. [83]; Wibawa et al., 2017 г. [84]; Tran et al., 2019 г. [85]; Perrot et al., 2019 г. [29]; Hayashi et al., 2019 г. [87]; Kocak et al., 2019 г. [83]; Kunapuli et al., 2018 г. [89]; Penny-Dimri et al., 2021 г. [85]
DNN	Iakovidis et al., 2014 г. [86]; Singh et al., 2015 г. [87]; Lu et al., 2019 г. [88]; Wibawa et al., 2017 г. [80]; Agar et al., 1992 г. [89]; Aljaaf et al., 2018 г. [90]; Vanaja et al., 2018 г. [91]; Rady et al., 2019 г. [92]; Azuaje et al., 2019 г. [64]

 

Из данных табл. 4 видно, что в указанных исследованиях наиболее часто используются самые простые и распространенные алгоритмы классификации, такие как случайный лес, машина опорных векторов, а также ансамблевые алгоритмы. Однако более сложные алгоритмы машинного обучения, такие как искусственная нейронная сеть, глубокая нейронная сеть, сверточная нейронная сеть, основанные не только на анализе функций или изображений, но и на обработке естественного языка и временной эволюции функций, используются намного реже. Это может быть связано с отсутствием больших общедоступных баз данных, которые позволяют использовать более сложные методы машинного обучения.

Обращает на себя внимание, что применяемые авторами методы различаются по типу используемых данных и методам их анализа и обработки. В частности, в случаях когда база данных состоит исключительно из числовых характеристик, полученных из медицинских записей в историях болезни, наиболее часто применяются такие классификаторы, как машина опорных векторов и случайный лес. В случаях когда присутствуют диагностические изображения, тип метода машинного обучения варьирует в зависимости от предварительной обработки, примененной к данным. При минимальной или нулевой предварительной обработке используются такие методы, как сверточная нейронная сеть, в которой модель напрямую анализирует изображение и находит наиболее релевантные функции для его классификации. В исследованиях, где алгоритмы используются для извлечения радиомических особенностей из определенных анатомических областей, применяются классификаторы числовых характеристик. В частности, используются ансамблевые алгоритмы, которые обычно в этих случаях гарантируют лучший результат с точки зрения метрик.

Важный аспект оценки качества работы алгоритма машинного обучения — оценка его производительности. Обсуждению этого вопроса были посвящены работы J. Penny-Dimri et al. [83] и B. Kocak et al. [85]. В них показано, что сравнение методов, применяемых для одной и той же цели, на основе значений, рассчитанных с использованием разных данных, может ввести в заблуждение. Учитывая вышеизложенное, авторы настоятельно рекомендуют использовать такой показатель, как площадь под кривой (AUC), позволяющий оценить качество модели, поскольку он несет более достоверную информацию, чем просто точность.

Учитывая непрерывную эволюцию исследований в этой области, можно заключить, что при наличии множества существующих применений машинного обучения в урологии ИИ имеет большой потенциал и обладает универсальностью. Пример возможного применения анализа изображений почек с применением ИИ может быть основан на сочетании нескольких существующих в настоящее время методологий, таких как использование глубокого обучения для обнаружения камней почек, с последующим использованием других методов машинного обучения для их классификации и выбора метода лечения и далее разработкой индивидуальных подходов в метафилактике.

Однако это не означает, что ограничений по-прежнему нет. Большинство исследований заканчиваются до перехода к клиническим испытаниям и остаются лишь одноцентровыми ретроспективными, что снижает их внешнюю валидность. Следовательно, главный и наиболее неотложный пробел, который следует устранить как можно скорее, — это проблема публичной доступности данных.

Заключение

Приведенный анализ доступных в международной литературе исследований показывает, что применение радиомики при МКБ представляет собой быстро развивающееся направление в медицинской науке. Действительно количество доступных исследований, опубликованных за десятилетие с 2000 по 2010 г., составило всего 9, а в следующем десятилетии это число увеличилось до 35 публикаций. За текущее десятилетие уже в 2021 и 2022 гг. было опубликовано 25 отчетов, что представляет большой интерес в соответствующей области исследований.

К недостаткам многих научных публикаций по применению радиомики при МКБ можно отнести то, что в них сообщалось о результатах алгоритмов машинного обучения в диагностических или терапевтических процедурах без сравнения с текущими стандартами в соответствующих клинических областях. Более того, результаты исследований в основном были подтверждены на одних и тех же когортах пациентов, что ограничивает возможность их обобщения. Доказательность включенных исследований не превышает уровня 3. Поэтому необходимы проспективные исследования для проверки применимости их в реальном лечении МКБ.

Из общего числа исследований, включенных в настоящий обзор, очевидно, что только диагностические приложения, которые в основном связаны с лучевой диагностикой, близки к внедрению в урологическую практику, в то время как во многих работах авторы утверждали, что функция предложенной ими модели может быть дополнительно оптимизирована после введения большего количества данных. Наконец неоднородность дизайна исследований и отчетов делает результаты включенных исследований непригодными для количественного анализа и объединения данных. Также одним из ограничений радиомики, основанной на машинном обучении, является зависимая корреляция между признаками и входными данными, поскольку признаки генерируются из этого самого набора данных. Поэтому необходимы большие наборы данных для точного определения соответствующих и надежных подмножеств признаков. Еще одно ограничение — воспроизводимость и возможность передачи функций радиомики, поскольку она сильно зависит от размера, качества, последовательности, модальности, разрешения и артефактов движения при передаче изображений.

Еще одним пробелом в исследованиях является дальнейшая оптимизация процедур литотрипсии путем применения алгоритмов ИИ для корректировки интраоперационных факторов, таких как параметры лазерных генераторов, или выбора оборудования в зависимости от анатомических особенностей пациента или физических характеристик камня.

Текстурный анализ изображений камней значительно повысил точность прогнозирования типа камня в почках. Такие достижения в области технологий медицинской визуализации и машинного обучения, вероятно, будут более широко использоваться в рутинном клиническом лечении МКБ в ближайшем будущем. Тем не менее еще есть возможности для дальнейшего совершенствования алгоритмов машинного обучения в целях повышения чувствительности и спе-цифичности методов автоматической классификации, особенно для эндоскопических изображений камней в почках. Кроме того, биохимические исследования крови и мочи также должны сочетаться с клинической информацией и медицинскими изображениями, чтобы повысить точность машинного обучения. Наконец создание сети централизованной базы для каждого типа камня, включающей демографическую и общую информацию о пациентах, параметры мочи, крови, другие лабораторные тесты, методы лечения и их результаты, позволит разработать более надежный алгоритм машинного обучения для персонифицированной медицины при МКБ.

Приведенный анализ доступных в международной литературе исследований показывает, что применение радиомики при МКБ представляет собой быстро развивающееся направление, которое все еще находится на стадии испытаний.

Дополнительная информация

Источник финансирования. Исследования выполнены, рукопись подготовлена и публикуется за счет финансирования по месту работы авторов.

Конфликт интересов. Авторы данной статьи подтвердили отсутствие конфликта интересов, о котором необходимо сообщить.

About the authors

Alexandr A. Pranovich

A.V. Vishnevsky National Medical Research Center of Surgery

Email: alex.pr76@mail.ru
ORCID iD: 0000-0002-6034-9269
SPIN-code: 1096-6331

PhD in Biology, Senior Researcher

Russian Federation, Moscow

Grigory G. Karmazanovsky

A.V. Vishnevsky National Medical Research Center of Surgery

Email: karmazanovsky@yandex.ru
ORCID iD: 0000-0002-9357-0998
SPIN-code: 5964-2369

MD, PhD, Professor, Academician of the RAS

Russian Federation, Moscow

Evgeniy S. Sirota

I.M. Sechenov First Moscow State Medical University (Sechenov University)

Email: essirota@mail.ru
ORCID iD: 0000-0001-6419-0155
SPIN-code: 6315-7050

MD, PhD

Russian Federation, Moscow

Mikhail A. Firsov

V.F. Voyno-Yasenetsky Krasnoyarsk State Medical University

Email: Firsma@mail.ru
ORCID iD: 0000-0002-0887-0081
SPIN-code: 6308-6260

PhD, Head of the Department of Urology

Russian Federation, Krasnoyarsk

Pavel A. Simonov

V.F. Voyno-Yasenetsky Krasnoyarsk State Medical University

Author for correspondence.
Email: doctorsimonov@mail.ru
ORCID iD: 0000-0002-9114-3052
SPIN-code: 4765-6498

Assistant of the Department of Urology

Russian Federation, Krasnoyarsk

Alexander I. Junker

V.F. Voyno-Yasenetsky Krasnoyarsk State Medical University

Email: junkeralex82@gmail.com

Applicant of the Department of Urology

Russian Federation, Krasnoyarsk

Mariam K. Dzhatdoeva

A.V. Vishnevsky National Medical Research Center of Surgery

Email: mari.dzh0709@mail.ru
ORCID iD: 0009-0003-1589-3817

Resident

Russian Federation, Moscow

Dinislam A. Khubiev

Medical Care Center “DocCity”

Email: Dinislamx@mail.ru
ORCID iD: 0009-0002-0487-8323

MD, Head of the Urology Department

Russian Federation, Cherkessk

References

Supplementary files