Способ диагностики рака предстательной железы с помощью прогностической модели с использованием глубокого обучения на основе радиомических признаков путем комплексной интерпретации клинико-лабораторных данных и бпМРТ Российский патент 2024 года по МПК A61B5/55 G16H30/00 G06T7/00 G06N3/02 

Настоящее техническое решение относится к области медицины, в частности к способам проведения диагностики патологий на основе технологии искусственного интеллекта.

Рак предстательной железы (РПЖ) является вторым наиболее распространенным видом рака у мужчин во всем мире. Известны такие методы диагностики, как пальцевое ректальное исследование и определение уровня простат-специфического антигена в крови, позволяющие определить показания для дальнейшего обследования таких больных.

На сегодняшний день выбор тактики лечения зависит от группы риска быстрого прогрессирования и метастазирования РПЖ, определяемой согласно результатам вышеупомянутых методов и биопсии предстательной железы. Тем не менее, ассоциированные с биопсией недостатки, такие как высокая частота ложноотрицательных заключений, наличие осложнений (кровотечение, дизурия и тд) указывают на необходимость совершенствования диагностического этапа.

Мультипараметрическая магнитно-резонансная томография (мпМРТ) является наиболее информативным инструментальным методом диагностики, позволяющим оценить структурные изменения предстательной железы. Примеры способов диагностики РПЖ, основанных на мпМРТ: патент Китая CN106778005, опубликованный 31.05.2017, публикация заявки на выдачу патента США US2021110534 от 15.04.2021, патент Кореи KR20180082817, опубликованный 19.07.2018.

Согласно рекомендациям, мпМРТ не должна использоваться в качестве инструмента скрининга, однако у пациентов с высоким риском РПЖ, установленном на основании клинических данных, целесообразно ее проведение до биопсии, что позволяет повысить диагностическую эффективность метода в выявлении клинически значимых очагов РПЖ и определять истинные показания к биопсии. Комитетом PI-RADS сформированы рекомендации по проведению и интерпретации МРТ. Рекомендуемый протокол мпМРТ, согласно PI-RADS v2.1 подразумевает включение Т2 взвешенных изображений (Т2ВИ) высокого разрешения в аксиальной плоскости, диффузионно-взвешенные изображения (ДВИ) и динамическое контрастное усиление (ДКУ). Комитетом PI-RADS сформированы принципы проведения МРТ, допускающие проведение бипараметической МРТ (бпМРТ) у пациентов с подозрением на РПЖ, которым ранее бпМРТ и биопсия не выполнялись и нет факторов, технически осложняющих выполнение исследования (например, протезирование тазобедренных суставов).

Несмотря на четко определенные критерии оценки мпМРТ и бпМРТ, опубликованные в рекомендациях PI-RADS, существует выраженная вариабельность в определении категории, что влияет на информативность таргетных биопсий, планирование которых основано на результатах МРТ. В связи с этим многими авторами разрабатываются системы поддержки принятия врачебных решений (СППВР), основанных на технологиях искусственного интеллекта (ТИИ), направленных на унификацию результатов и повышения диагностической ценности МРТ в диагностике РПЖ. Существует достаточное количество работ, посвященных программному обеспечению (ПО) с использованием ТИИ в диагностике РПЖ (таблица 1).

Таблица 1. Программное обеспечение, используемое для диагностики в предшествующем уровне техники.

Название Сегментация
Простаты/смежных органов/ сосудисто-нервных пучков Детекция и сегментация опухоли Стратификация
опухоли Используемые режимы Quaitib +/-/-/ + PiRads v2.1 Т2, ДВИ, ИКД, ДКУ RSIP Vision +/-/-/ + - Т2, микроскопия syngo.via +/-/-/ + PiRads v2 Т2, ДВИ, ИКД, ДКУ ProstateID +/-/-/ + PiRads v2 Т2, ДВИ, ИКД PROView DL +/-/-/ + PiRads v2.1 Т2, ДВИ, ИКД (ДКУ) MIM Symphony Dx +/-/-/ + PiRads v2.1 Т2, ДВИ, ИКД, ДКУ DLCExpert +/+/- - - T2 MRCAT Prostate + Auto-Contouring +/+/- - - Т1,Т2 Prostate Intelligence +/-/-/ + PiRads v2.1 Т2, ДВИ, ИКД

Большинство представленных в таблице 1 ПО с ТИИ имеют ряд недостатков, ограничивающих их активное внедрение в клиническую практику рентгенологов. Во-первых, они используют лишь данные МРТ без учета иных клинико-лабораторных данных для постановки предварительного диагноза, что не соответствуют комплексной и персонализированной оценке подобных пациентов. Доказана достоверная корреляция некоторых клинико-лабораторных параметров с риском наличия клинически-значимого РПЖ. Гетерогенность результатов также обусловлена использованием МР-систем с индукцией магнитного поля 1,5 и 3,0 Тесла. Следует отметить малое количество используемых наборов данных на этапе обучения нейросети (менее 500). Отсутствует унификация оценочных критериев информативности ПО с ТИИ, так как в качестве референса зачастую используются результаты биопсии, что не исключает субъективность размечающих специалистов. Также в большинстве проанализированных работ, посвященных ТИИ в диагностике РПЖ, не использовались методы текстурного анализа, в частности, радиомические признаки вокселей в пределах выделенной области, что является наиболее перспективным подходом в их анализе.

Техническим результатом, достигаемым при осуществлении заявленного способа, является повышение точности и скорости постановки врачом диагноза посредством прогностической модели с использованием глубокого обучения на основе радиомических признаков путем комплексной интерпретации клинико-лабораторных данных и бпМРТ.

Для достижения заявленного результата был разработан способ диагностики рака предстательной железы с помощью прогностической модели с использованием глубокого обучения на основе радиомических признаков путем комплексной интерпретации клинико-лабораторных данных и бпМРТ, характеризующийся следующими этапами:

1) Сбор данных,

2) Обработка данных,

3) Обучение нейросети

4) Валидизация и тестирование нейросети.

5) Непосредственно этап диагностики (анализ полученных снимков).

1) Сбор данных включает следующие этапы:

- получают клинические данные пациентов с верифицированным РПЖ. В частных случаях к клиническим данным пациента относят: возраст, вес, уровень простат-специфического антигена (ПСА) в крови, плотность ПСА (отношение уровня ПСА в крови к объему предстательной железы (ПЖ))

- получают снимки бпМРТ пациентов с верифицированным РПЖ; в частном случае собирают снимки, выполненные на магнитно-резонансных аппаратах с индукцией магнитного поля 1,5Т и 3Т. Используются Т2ВИ, ДВИ с построением карт измеряемого коэффициента диффузии (ИКД). В частном случае используемые ДВИ-изображения могут быть получены при значении диффузионного фактора = 0, 50, 100, 400, 800,1000, 1400 с/мм², или комбинации. В частном случае снимки ИКД-карт соответствуют изображениям ДВИ с соответствующим значением диффузионного фактора или факторов.

- получают данные в качестве референса для более аргументированной и объективной разметки. К подобным могут быть отнесены: текстовое описание гистологического исследования после биопсии ПЖ, текстовое послеоперационное патоморфологическое описание удаленной ПЖ с указанием локализации рака, оцифрованные патоморфологические срезы ПЖ после удаления органа и подготовки микропрепаратов. В частном случае может быть использование заключения биопсии, выполненной как по стандартному протоколу, по методике Фьюжн, так и с использованием обоих протоколов.

- В частном случае получают данные пациентов для разработки нейросети в количестве менее или более 500 кейсов, каждый из которых содержит необходимую для разработки нейросети информацию.

- Распределение общего количества данных на подгруппы для обучения и валидизации нейросети. В частном случае валидизация может быть внутренней, а именно с помощью собранных заранее данных, или внешней, путем использования дополнительных исследований из иных медицинских учреждений, не включенных в список изначально собранных данных. В частном случае для обучения и валидизации могут быть использованы открытые датасеты, доступные для использования на специализированных порталах.

2) Обработка данных заключается в следующих этапах:

- Для последующего обучения нейросети определяются области интереса для последующего их выделения по снимкам бпМРТ. В частном случае к функционалу разрабатываемой нейросети могут относить: автоматизированная реконструкция ПЖ, автоматизированная реконструкция иных структур малого таза (в частном случае к ним относят семенные пузырьки (СП), сосудисто-нервные пучки (СНП)), автоматизированное обнаружение РПЖ, определение клинической значимости РПЖ, автоматизированная реконструкция РПЖ. В частном случае разметки очагов РПЖ таковая может проводиться ровно по контуру очагов, либо с отступом 1-2мм для включения в последующий текстурный анализ т.н. перитуморальной зоны.

- Разметка области интереса в соответствии с планируемыми функциями разрабатываемой нейросети. В частном случае разметка может проводиться вручную путем оконтурирования только врачами-рентгенологами, полуавтономно врачами-рентгенологами с помощью специализированных ПО для облегчения ручной разметки, автономно с помощью специализированных ПО для автономной разметки.

- Предпроцессинг снимков бпМРТ.

- После предпроцессинга снимков бпМРТ проводится анализ ранее размеченных областей интереса. В частном случае может выполняться радиомический анализ, применяться методы глубокого обучения, или их комбинации. В частном случае для определения радиомических признаков могут использоваться следующие ПО: PyRadiomics, IBEX, RaCat, QIFE, MaZda, CERR, LIFEx. В частном случае использования радиомических признаков могут быть использованы таковые из одной подгруппы или их комбинации: форма, 1 порядка, 2 порядка, высшего порядка.

3) Обучение нейросети

После разметки и подготовки снимков бпМРТ проводится обучение нейросети. В частном случае в качестве вводных данных, помимо снимков, могут быть использованы клинико-лабораторные данные пациента (возраст, вес, уровень простат-специфического антигена (ПСА) в крови, плотность ПСА (отношение уровня ПСА в крови к объему предстательной железы (ПЖ))

4) Валидизация нейросети

Формируются две группы кейсов: тренировочная и валидизационная. В каждый кейс обеих групп включаются все отобранные данные. Валидизационная группа - набор данных, необходимых для проверки работоспособности нейросети после ее обучения с помощью тренировочного датасета. В частном случае анализ точности трёхмерной реконструкции проводится при помощи коэффициента Соренсена - Дайса. В частном случае верность обнаружения патологий определяется с помощью площади под характеристической кривой (AUC), чувствительности, специфичности, точности.

5) Диагностика

При разработке модулей 3D реконструкции предстательной железы, сосудисто-нервных пучков, детекции и стратификации рака предстательной железы, а также сегментации последней была использована модель, представленная в публикации Swin UNETR: Swin Transformers for Semantic Segmentation of Brain Tumors in MRI Images. Данная модель построена на основе swin трансформеров и показала один из лучших результатов на этапе проверки закрытыми данными в соревновании Brain Tumor Segmentation Challenge (BraTS). Выбор данной архитектуры был сделан за счёт использования в ней передового подхода - swin трансформеров, а также за счёт отличных результатов, полученных на задаче подобного рода. Более того, при сегментации рака применение дополнительных «инструментов» для выявления рака. На выделенной области реконструкции простаты используется метод для детекции области с раком «bounding box», который устанавливает области, где присутствует рак, и лишь затем в работу включается сегментация рака. Как упомянуто ранее, при разработке модуля детекции и стратификации рака предстательной железы данные о пациенте добавляются в систему после второго шага - этапа классификации. Происходит это следующим образом: после подачи в разрабатываемую систему МРТ-серии и её обработки на первом (блок сегментации) и втором (блок анализа серии) этапах, с глубокой искусственной нейронной сети, которая используется на втором этапе для анализа изображения и выявления степени риска рака, извлекаются данные с выхода. Далее к полученным данным добавляется массив из указанных параметров пациента - плотность ПСА после расчета в соответствующем окне и возраст, учитывающийся при анализе снимков по умолчанию. Полученный объединённый массив передаётся на дополнительную нейронную сеть - классификатор, который на основе полученных на вход данных производит оценку степени риска наличия клинически значимых форм рака в исследуемой МРТ-серии.

Реализация способа

Далее решение поясняется ссылками на фигуры, на которых приведено следующее.

Фиг. 1 - блок-схема алгоритма осуществления способа.

Фиг. 2 - окно запуска программы обработки данных на мониторе ПК.

Фиг. 3 - окно программы, иллюстрирующее выбор МР снимка пациента.

Фиг. 4 - окно программы, иллюстрирующее размещение в рабочем поле интерфейса программы МР снимка пациента.

Фиг. 5-7 - окно программы, иллюстрирующее процесс контурирования и последующей 3D реконструкции простаты и смежных структур.

Фиг. 8 - визуализация сосудисто-нервных пучков простаты.

Фиг. 9-10 - иллюстрация реализации функции обнаружения и стратификации рака.

Фиг. 11 - иллюстрация реализации функции отображения сегментированной простаты, и объемное отображение на правой половине окна ПО очагов, соответствующих раку предстательной железы.

Фиг. 12-15 - иллюстрация функции итоговой оценки риска наличия РПЖ.

В процессе сбора данных были получены клинико-лабораторные и инструментальные данные пациентов с подтвержденным раком предстательной железы после операции. В частном случае собраны следующие клинико-лабораторные данные: возраст, уровень простат-специфического антигена (ПСА) в крови, плотность ПСА (отношение уровня ПСА в крови к объему предстательной железы (ПЖ)). Собраны инструментальные данные в виде МРТ-снимков, полученных при выполнении исследования на МР-аппаратах с силой индукции магнитного поля 1.5Т и 3Т. В каждом случае среди МР-последовательностей собраны Т2ВИ, ДВИ и ИКД-карты. Используемые ДВИ-изображения были получены при значении диффузионного фактора = 0, 50, 800 и 1000с/мм². В качестве референса на этапе разметки для обучения нейросети по каждому кейсу были собраны текстовые описания гистологического исследования после биопсии ПЖ выполненной как по стандартной, так и по фьюжн-методике, а также текстовые описания послеоперационного патоморфологического исследования удаленной ПЖ с указанием локализации рака. Вышеперечисленные данные были собраны в частном случае в объеме более 500 случаев, а именно в объеме 650 случаев с верифицированным РПЖ. Дополнительно были отобраны 150 случаев без признаков РПЖ по результатам биопсии ПЖ в том же объеме, кроме заключения послеоперационного исследования удаленной ПЖ, в качестве здоровой группы. Отобранные случаи с подтвержденным РПЖ были разделены на 500 и 150 для обучения и внутренней валидизации нейросети, соответственно. В частном случае были собраны дополнительно 150 случаев из открытых датасетов для проведения внешней валидизации нейросети.

В процессе обработки собранных данных и разработки способа в частном случае была реализована автоматизированная реконструкция ПЖ с расчетом её объема, автоматизированная реконструкция семенных пузырьков (СП) и сосудисто-нервных пучков (СНП), автоматизированное обнаружение и реконструкция РПЖ как функционал разрабатываемой нейросети. Контурирование области интересов на этапе обучения нейросети проводилось автоматизированно с последующим ручным корректированием врачами-рентгенологами в случае необходимости. Разметка РПЖ проводилась ровно по их границе без отступа для включения перитуморальной зоны.

- Предпроцессинг снимков бпМРТ

При обучении нейросети в частном случае использовалась комбинация глубокого обучения и определение радиомических признаков по данным МРТ с помощью специализированных ПО PyRadiomics, IBEX и RaCat. В частном случае использования радиомических признаков были проанализированы признаки: форма, 1 порядка, и 2 порядка. Итоговое обучение в частном случае выполнено комплексно с учетом полученных радиомических признаков МРТ снимков, а также клиники-лабораторных данных: возраст, уровень простат-специфического антигена (ПСА) в крови, плотность ПСА.

4) Валидизация и тестирование нейросети

Для обучения и последующей валидизации были отобраны 150 случаев без признаков РПЖ по результатам биопсии ПЖ по тем же критериям, кроме заключения послеоперационного исследования удаленной ПЖ. Отобранные случаи с подтвержденным РПЖ были разделены на 500 и 150 для обучения и внутренней валидизации нейросети, соответственно. В частном случае оценки точности трёхмерной реконструкции ПЖ, СП, СНП, РПЖ проводился с помощью коэффициента Соренсена - Дайса. В частном случае оценка достоверности обнаружения РПЖ проводилась с помощью, чувствительности, специфичности, точности, площади под характеристической кривой (AUC).

С практической точки зрения, после запуска ПО необходима загрузка в систему МР-изображений конкретного пациента. После загрузки снимков системой анализируется информация для определения возраста пациента. Далее необходимо выделение Т2-взвешенных снимков и карт измерения коэффициента диффузии (ИКД) для последующей бипараметрической оценки снимков. Путем заявленной бипараметрической оценки, при активизации в ПО соответствующей функции, происходит первичный анализ данных с помощью глубокого обучения и расчета радиомических признаков для обнаружения подозрительных на канцерогенез очагов с их предварительной стратификацией в соответствии с клинической значимостью. Для трёхмерной реконструкции простаты и смежных структур малого таза, в частном случае сосудисто-нервных пучков и семенных пузырьков, проводится оценка только аналовической Т2ВИ последовательности в связи с неинформативностью в решении данной задачи так называемых функциональных последовательностей, а именно: ИКД и ДВИ. После реконструкции простаты системой определяется её объем, используемый в дальнейшем для расчета плотности ПСА после введения уровня ПСА в крови конкретного пациента. При расчете значения плотности ПСА системой проводится итоговый анализ снимков путем комплексной оценки данных пациента для коррекции выявленных подозрительных очагов, при необходимости (Схема на фиг. 1).

Для реализации функционала, описанного выше в рамках реализации заявленного способа диагностики рака предстательной железы с помощью прогностической модели с использованием глубокого обучения на основе радиомических признаков путем комплексной интерпретации клинико-лабораторных данных и бпМРТ, необходимо запустить ПО (фиг.2). При запуске на рабочем столе ПК отображается стартовое окно с вкладкой “загрузить данные”. При этом основное поле поделено на две части, левая половина 1 стартового окна и правая половина 2 стартового окна.

При активизации упомянутой функции необходимо выбрать МРТ-снимки 3, представляющие собой отображаемую стартовую последовательность МРТ конкретного случая в левой половине 1 стартового окна при его загрузке в ПО в формате DICOM конкретного пациента (фиг.3, фиг.4).

Процесс контурирования и последующей 3D реконструкции простаты и смежных структур проводится по анатомически информативным последовательностям МРТ, в частности, по Т2ВИ. Так, для реализации функции 3D реконструкции простаты в заявленном ПО необходимо:

1) После загрузки снимков выбрать Т2ВИ изображения 4 в аксиальной плоскости в режиме турбо-спин эхо (фиг.5), а именно, Т2-взвешенные изображения (Т2ВИ) и её отображение в левой половине стартового окна пользовательского интерфейса ПО.

2) Раскрыть вкладку “3D реконструкция” и выставить галочку напротив пункта “исходный объем” для трёхмерной реконструкции всей области исследования 5, охваченной при выполнении МР-исследования и отображенной на Т2ВИ при разворачивании группы “3D реконструкция” и активации функции “исходный объем”, в правой половине 2 стартового окна пользовательского интерфейса (фиг. 6).

3) Далее необходимо выставить галочку напротив пункта “Простата” для её сегментации в левой части 1 поля (сегментация простаты на Т2ВИ - поз. 6) и трёхмерном отображении в правой части 2 поля (сегментация простаты на трёхмерной реконструкции всей области исследования - поз .7) (фиг. 7).

По аналогии с иными структурами малого таза, трёхмерная реконструкция сосудисто-нервных пучков, к которым относятся сосуды малого таза, наиболее приближенные к простате и сохранение которых является неотъемлемой частью сохранения нормального мочеиспускания и эректильной функции пациентов после операции, проводится по Т2ВИ. Более того, распространение опухоли вне контуров простаты зачастую характеризуется заднее-латеральным направлением, в котором локализуются наиболее важные ветви для сохранения вышеупомянутых функций. По этой причине визуализация сосудисто-нервных пучков должна осуществляться одновременно с реконструкцией всей простаты и патологических очагов. Для реализации данной функции в ПО необходимо выставить галочку напротив пункта “сосудисто-нервные пучки” (фиг. 8). На фиг. 8 обозначены: визуализация сосудисто-нервных пучков на Т2ВИ - поз. 8, визуализация сосудисто-нервных пучков на трёхмерной реконструкции всей области исследования - поз .9.

Как видно на конкретном примере, визуализированные сосудисто-нервные пучки (поз.9) не симметричны и наблюдается компрессия пучка слева (на изображении справа в части 2 рабочего поля интерфейса программы), что является подозрительным на возможность распространения рака в данную локализацию с учетом наличия выявленного доминантного очага с этой же стороны с протяженностью контакта с контуром простаты более 1 см.

Для реализации функции обнаружения и стратификации рака в графическом интерфейсе ПО, реализующего способ, необходимо раскрыть вкладку “детекция и стратификация” и выбрать соответствующую форму очага (фиг.9). Следует отметить, что наличие или отсутствие различных по клинической значимости форм рака предстательной железы (РПЖ) носит индивидуальный характер и возможно как их сочетанное присутствие, так и изолированное. Поз.10 на фиг.9 - отображение снимков карт измеряемого коэффициента диффузии (ИКД), необходимые для функциональной оценки органа и составляющие вместе с Т2ВИ бипараметрическое МР-исследование, на правой половине окна ПО. Поз. 11 на фиг.9 - разворачивание группы “Детекция и стратификация” и активации функции “доминантный” для отображения клинически значимого очага рака предстательной железы. Поз. 12 на фиг. 9 - наложение маски зеленого цвета на Т2ВИ, соответствующей обнаруженному доминантному очагу, в левой половине окна ПО.

ИКД является аналогом ДВИ и их упоминание следует проводить одновременно, так как ИКД снимки являются методом унификации и облегчения в интерпретации ДВИ снимков с различными диффузионными факторами и высоким риском наличия расхождений в используемых факторах между учреждениями.

Как видно на фиг.10, для реализации ИИ-анализа МР-снимков по бипараметрическому протоколу в разрабатываемом ПО с целью выполнения функции детекции и стратификации РПЖ использовались снимки Т2ВИ и ИКД. Поз 14 на фиг.10 - Наложение маски желтого цвета на Т2ВИ, соответствующей обнаруженному сателлитному очагу, в левой половине окна графического интерфейса.

Для реализации 3D реконструкции РПЖ необходимо во вкладке “3D реконструкция” выставить галочку напротив пункта “рак”. Следует отметить, что дальнейшая реконструкция выполняется вне зависимости от клинической значимости выявленных очагов для визуального отображения всей опухолевой нагрузки простаты.

Как указано ранее, заявленный способ характеризуется комплексным анализом данных пациента в диагностике РПЖ, а именно: первичный анализ МР-снимков, автоматическое извлечение информации касательно возраста пациента, и включение в предиктивность последующего расчета плотности простат-специфического антигена, определенная как отношение уровня ПСА в крови к объему простаты. Принято считать нормальным значение плотности ПСА не более 0,15 нг/мл/см³. Более высокие значения плотности ПСА также могут служить основанием для проведения дополнительных методов проверки, например биопсии простаты. Как указано в отчете ранее, данные о пациенте добавляются в систему после второго шага - этапа классификации. Происходит это следующим образом: после подачи в разрабатываемую систему МРТ-серии и её обработки на первом (блок сегментации) и втором (блок анализа серии) этапах, с глубокой искусственной нейронной сети, которая используется на втором этапе для анализа изображения и выявления степени риска рака, извлекаются данные, полученные при ранее указанной интерпретации только снимков МРТ. Далее к полученным данным добавляется массив из указанных параметров пациента - ПСА, плотность ПСА, возраст. Полученный объединённый массив передаётся на дополнительную нейронную сеть - классификатор, который на основе полученных на вход данных производит итоговую оценку степени риска наличия рака в исследуемой МРТ-серии и корректирует отображаемые очаги и стратифицирует их по клинической значимости, при необходимости. Для реализации итоговой оценки риска наличия РПЖ в соответствии со значением его плотности ПСА приведенного ранее в пример пациента путем комплексной оценки необходимо:

Убрать галочку напротив пункта “исходный объем” (фиг. 11). Поз. 15 на фиг.11 - разворачивание группы “3D реконструкция” и выбор опций “исходный объем” “простата” и “рак” для отображения объемной реконструкции всей зоны, охваченной при выполнении МР-исследования, отображения сегментированной на этапе №6 простаты, и объемное отображение на правой половине окна 2 графического интерфейса очагов, соответствующих раку предстательной железы, поз. 16 - объемное отображение доминантного очага, поз.17 - объемное отображение сателлитного очага.

Закрыть вкладку “3D реконструкция” и открыть вкладку “Измерения” (фиг. 13). Поз.18 на фиг.12 - разворачивание группы “3D реконструкция” и выбор опции “сосудисто-нервные пучки” для автоматизированного контурирования и объемного отображения перипростатических сосудисто-нервных пучков на Т2ВИ в левой половине окна 1 графического интерфейса и объемной реконструкции всей охваченной при выполнении исследования зоны в правой половине окна 2 графического интерфейса, соответственно. Поз. 19 на фиг.12 - отображение сосудисто-нервных пучков после активации соответствующей функции на Т2ВИ в левой половине окна ПО. Поз. 20 на фиг.12 - объемное отображение сосудисто-нервных пучков на объемной реконструкции всей охваченной при выполнении исследования зоны в правой половине окна перипростатических сосудисто-нервных пучков на Т2ВИ в левой половине окна 1 графического интерфейса. Поз.21 на фиг.13 - Разворачивание группы функций “измерения” для последующей корректировки выявленных опухолевых зон и их стратификации в соответствии с клинической значимостью после определения плотности ПСА.

Выставить галочку напротив пункта “расчет плотности ПСА” (поз. 22) и выбрать опцию “применить” (фиг. 14).

На основе автоматизированного контурирования простаты определяется её объем, который отображается в соответствующей ячейке 23 (фиг. 15).

Далее необходимо внести значение уровня ПСА в поле 24. В данном случае уровень ПСА в крови пациента составил 15 нг/мл. После чего проводится расчет с отображением значения плотности ПСА в соответствующей ячейке (поз.25 на фиг. 15).

В данном случае значение плотности ПСА равняется 0.3169 нг/мл/см³ , что в два раза превышает верхний лимит значения и соответствует риску наличия РПЖ, в связи с чем промежуточная детекция, стратификация и сегментация РПЖ не изменены.

Ниже приведен перечень позиций на чертежах, иллюстрирующих осуществление способа.

1. Левая половина стартового окна разрабатываемого ПО для реализации заявленного способа.

2. Правая половина стартового окна разрабатываемого ПО для реализации заявленного способа.

3. Отображаемая стартовая последовательность МРТ конкретного случая в левой половине стартового окна при его загрузке в ПО.

4. Выбор необходимой последовательности МРТ, а именно, Т2-взвешенные изображения (Т2ВИ) и её отображение в левой половине стартового окна разрабатываемого ПО.

5. Отображение в правой половине стартового окна разрабатываемого ПО объемной реконструкции всей зоны, охваченной при выполнении МР-исследования и отображенной на Т2ВИ при разворачивании группы “3D реконструкция” и активации функции “исходный объем”.

6. Автоматизированная реконструкция простаты на Т2ВИ при активации функции “простата” в развернутой группе функций “3D реконструкция”.

7. Отображение сегментированной на этапе №6 простаты на объемной реконструкции всего исследования в правой половине стартового окна разрабатываемого ПО при выборе функции “простата”.

8. Автоматизированная реконструкция сосудисто-нервных пучков на Т2ВИ при активации функции “сосудисто-нервные пучки” в развернутой группе функций “3D реконструкция”.

9. Отображение сегментированных на этапе №8 сосудисто-нервных пучков на объемной реконструкции всего исследования в правой половине стартового окна разрабатываемого ПО.

10. Отображение снимков карт измеряемого коэффициента диффузии (ИКД), необходимые для функциональной оценки органа и составляющие вместе с Т2ВИ бипараметрическое МР-исследование, на правой половине окна ПО.

11. разворачивание группы “Детекция и стратификация” и активации функции “доминантный” для отображения клинически значимого очага рака предстательной железы.

12. Наложение маски зеленого цвета на Т2ВИ, соответствующей обнаруженному доминантному очагу, в левой половине окна ПО.

13. Разворачивание группы “Детекция и стратификация” и активации функции “Сателлитный” для отображения клинически не значимого очага рака предстательной железы.

14. Наложение маски желтого цвета на Т2ВИ, соответствующей обнаруженному сателлитному очагу, в левой половине окна ПО.

15. Разворачивание группы “3D реконструкция” и выбор опций “исходный объем” “простата” и “рак” для отображения объемной реконструкции всей зоны, охваченной при выполнении МР-исследования, отображения сегментированной на этапе №6 простаты, и объемное отображение на правой половине окна ПО очагов, соответствующих раку предстательной железы.

16. Объемное отображение доминантного очага.

17. Объемное отображение сателлитного очага.

18. Разворачивание группы “3D реконструкция” и выбор опции “сосудисто-нервные пучки” для автоматизированного контурирования и объемного отображения перипростатических сосудисто-нервных пучков на Т2ВИ в левой половине окна ПО и объемной реконструкции всей охваченной при выполнении исследования зоны в правой половине окна ПО, соответственно.

19. Отображение сосудисто-нервных пучков после активации соответствующей функции на Т2ВИ в левой половине окна ПО.

20. Объемное отображение сосудисто-нервных пучков на объемной реконструкции всей охваченной при выполнении исследования зоны в правой половине окна ПО.

21. Разворачивание группы функций “измерения” для последующей корректировки выявленных опухолевых зон и их стратификации в соответствии с клинической значимостью после определения плотности ПСА.

22. Активация функции “Расчет плотности ПСА” путем выставления галочки напротив соответствующей строки.

23. Отображение объема простаты, определенного путем расчета объема контурированной ранее простаты.

24. Поле для ввода значения ПСА в плазме крови конкретного пациента. В данном примере уровень данного показателя равнялся 15 нг/мл.

25. Поле отображения результата расчета плотности ПСА, определяемое как отношение уровня ПСА в плазме крови к объему простаты. В данном случае данный показатель равен 0.3169 нг/мл/см³. В случае значения уровня плотности ПСА более 0.10 происходит рестратификация выявленных очагов с отнесением всех к группе доминантных, или клинически значимых, в связи с высоким риском быстрого прогрессирования заболевания при отсутствии адекватного лечения. В данном случае стратификация выявленных очагов осталась без изменений.

Изобретение относится к медицине и предназначено для диагностики рака предстательной железы с помощью прогностической модели с использованием глубокого обучения на основе радиомических признаков путем комплексной интерпретации клинико-лабораторных данных и бпМРТ. Предложен способ диагностики рака предстательной железы с помощью прогностической модели с использованием глубокого обучения на основе радиомических признаков путем комплексной интерпретации клинико-лабораторных данных и бпМРТ, характеризующийся следующими этапами: сбор данных, обработка данных, обучение нейросети, валидизация и тестирование нейросети, непосредственно этап диагностики (анализ полученных снимков). При сборе данных получают клинические данные пациентов с верифицированным РПЖ, получают снимки бпМРТ пациентов с верифицированным РПЖ, распределяют общее количество данных на подгруппы для обучения и валидизации нейросети. При обработке данных для последующего обучения нейросети определяют области интереса для последующего их выделения по снимкам бпМРТ, проводят разметку области интереса в соответствии с планируемыми функциями разрабатываемой нейросети, проводят предпроцессинг снимков бпМРТ, после чего проводят анализ ранее размеченных областей интереса. После разметки и подготовки снимков бпМРТ проводят обучение нейросети, после чего проводят валидизацию нейросети, при этом формируют две группы кейсов: тренировочную и валидизационную, и в каждый кейс обеих групп включаются все отобранные данные, где валидизационная группа включает набор данных, необходимых для проверки работоспособности нейросети после ее обучения с помощью тренировочного датасета. После подачи в разрабатываемую систему серии снимков бпМРТ и ее сегментации и анализа с глубокой искусственной нейронной сети, которая используется для анализа изображения и выявления степени риска рака, извлекают данные с выхода. К полученным данным добавляют массив параметров пациента, включающих плотность ПСА после расчета в соответствующем окне и возраст, учитывающийся при анализе снимков по умолчанию. Полученный объединённый массив передают на дополнительную нейронную сеть - классификатор, который на основе полученных на вход данных производит оценку степени риска наличия клинически значимых форм рака в исследуемой МРТ-серии. Изобретение обеспечивает повышение точности и скорости постановки врачом диагноза посредством прогностической модели с использованием глубокого обучения на основе радиомических признаков путем комплексной интерпретации клинико-лабораторных данных и бпМРТ. 18 з.п. ф-лы, 15 ил.

1. Способ диагностики рака предстательной железы с помощью прогностической модели с использованием глубокого обучения на основе радиомических признаков путем комплексной интерпретации клинико-лабораторных данных и бпМРТ, характеризующийся следующими этапами:

- сбор данных, при этом получают клинические данные пациентов с верифицированным раком предстательной железы (РПЖ), получают снимки бпМРТ пациентов с верифицированным РПЖ;

- распределяют общее количество данных на подгруппы для обучения и валидизации нейросети;

- обрабатывают данные, при этом для последующего обучения нейросети определяют области интереса для последующего их выделения по снимкам бпМРТ, проводят разметку области интереса в соответствии с планируемыми функциями разрабатываемой нейросети, проводят предпроцессинг снимков бпМРТ, после чего проводят анализ ранее размеченных областей интереса;

- после разметки и подготовки снимков бпМРТ проводят обучение нейросети, после чего проводят валидизацию нейросети, при этом формируют две группы кейсов: тренировочную и валидизационную, и в каждый кейс обеих групп включаются все отобранные данные, где валидизационная группа включает набор данных, необходимых для проверки работоспособности нейросети после ее обучения с помощью тренировочного датасета;

- после подачи в разрабатываемую систему серии снимков бпМРТ и ее сегментации и анализа с глубокой искусственной нейронной сети, которая используется для анализа изображения и выявления степени риска рака, извлекают данные с выхода;

- к полученным данным добавляют массив параметров пациента, включающих плотность простат-специфического антигена (ПСА) после расчета в соответствующем окне и возраст, учитывающийся при анализе снимков по умолчанию;

- полученный объединённый массив передают на дополнительную нейронную сеть - классификатор, который на основе полученных на вход данных производит оценку степени риска наличия клинически значимых форм рака в исследуемой МРТ-серии.

2. Способ по п.1, в котором к клиническим данным пациента относят: возраст, вес, уровень простат-специфического антигена в крови, плотность ПСА, определяемую как отношение уровня ПСА в крови к объему предстательной железы (ПЖ).

3. Способ по п.1, в котором собирают снимки, выполненные на магнитно-резонансных аппаратах с силой индукции магнитного поля 1,5 Тесла (Т), 3Т или 1,5Т и 3Т.

4. Способ по п.3, в котором используют Т2-взвешенные (Т2ВИ), диффузионно-взвешенные (ДВИ) изображения и смежные последним карты измеряемого коэффициента диффузии (ИКД).

5. Способ по п.4, в котором используемые ДВИ-изображения получены при значении диффузионного фактора, равном 0, 50, 100, 400, 800, 1000, 1400 с/мм², или комбинации.

6. Способ по п.4, в котором снимки ИКД-карт соответствуют изображениям ДВИ с соответствующим значением диффузионного фактора или факторов.

7. Способ по п.1, по которому получают текстовое описание гистологического исследования после биопсии ПЖ, и/или текстовое послеоперационное патоморфологическое описание удаленной ПЖ с указанием локализации рака, и/или оцифрованные патоморфологические срезы ПЖ после удаления органа и подготовки микропрепаратов, и/или заключение биопсии, выполненной по методике Фьюжн.

8. Способ по п.1, в котором получают данные пациентов для разработки нейросети в количестве менее или более 500 кейсов, каждый из которых содержит необходимую для разработки нейросети информацию.

9. Способ по п.1, в котором валидизация может быть внутренней, а именно с помощью собранных заранее данных, или внешней, путем использования дополнительных исследований из иных медицинских учреждений, не включенных в список изначально собранных данных.

10. Способ по п.1, в котором для обучения и валидизации использованы открытые датасеты, доступные для скачивания в специализированных порталах.

11. Способ по п.1, в котором к функционалу разрабатываемой нейросети относятся автоматизированная реконструкция ПЖ, автоматизированная реконструкция иных структур малого таза.

12. Способ по п.11, в котором к иным структурам малого таза относятся семенные пузырьки (СП), сосудисто-нервные пучки (СНП)), автоматизированное обнаружение РПЖ, определение степени злокачественности РПЖ, автоматизированная реконструкция РПЖ.

13. Способ по п.1, в котором разметку очагов РПЖ проводят ровно по контуру очагов либо с отступом 1-2 мм для включения в последующий текстурный анализ перитуморальной зоны.

14. Способ по п.1, в котором разметку проводят вручную путем контурирования только врачами-рентгенологами или полуавтоматически врачами-рентгенологами с помощью ПО для облегчения ручной разметки или автоматически с помощью ПО для автономной разметки.

15. Способ по п.1, в котором осуществляют радиомический анализ, методы глубокого обучения или их комбинации.

16. Способ по п.13, в котором для определения радиомических признаков используют одно из следующих программных обеспечений: PyRadiomics, IBEX, RaCat, QIFE, MaZda, CERR, LIFEx.

17. Способ по п.13, в котором используют радиометрические признаки из одной подгруппы или их комбинации: форма, 1 порядка, 2 порядка, высшего порядка.

18. Способ по п.1, в котором в качестве вводных данных, помимо снимков, используют клинико-лабораторные данные пациента - возраст, вес, уровень простат-специфического антигена в крови и плотность ПСА - отношение уровня ПСА в крови к объему предстательной железы.

19. Способ по п.1, в котором анализ точности трёхмерной реконструкции проводят при помощи коэффициента Соренсена – Дайса, а верность обнаружения патологий определяют с помощью площади под характеристической кривой (AUC), чувствительности, специфичности, точности.