Возможности дифференциальной диагностики гистологических форм первичного рака лёгкого при мультиспиральной компьютерной томографии на основе искусственного интеллекта

Полный текст

Проблема рака лёгкого (РЛ), визуализирующегося в том числе шаровидным образованием лёгкого (ШОЛ), с каждым годом приобретает всё большую актуальность [1, 2, 6, 8, 10, 11]. В структуре онкологической заболеваемости населения России у мужчин в 2018 г. эта патология занимала лидирующие позиции – 16,9% (у женщин – 4,0%). В течение последних 20 лет смертность от РЛ увеличилась на 76% среди мужчин и на 135% среди женщин и составляет 55,8 на 100000 населения [3].

В Алтайском крае заболеваемость РЛ в 2017 г. составила 71,7 среди мужчин и 9,2 среди женщин на 100000 населения (в 2015 г. ‒ 117,8 среди мужчин и 16,7 среди женщин) [7].

При анализе распределения больных РЛ различных возрастных групп в зависимости от гистотипа опухоли установлено, что в большинстве это аденокарцинома и плоскоклеточный РЛ – 85 % [5].

Увеличение контингента больных с заболеваниями органов грудной полости требует постоянного совершенствования форм и методов диагностики и дифференциальной диагностики ШОЛ, разработки новых объективных критериев оценки получаемых интроскопических данных [9] .

Цель исследования: определение возможности дифференциальной диагностики аденокарциномы и плоскоклеточного рака лёгкого при мультиспиральной компьютерной томографии на основе искусственного интеллекта.

Материал и методы

Проведена МСКТ у 342 пациентов с ШОЛ в возрасте от 45 до 80 лет на компьютерных томографах Aquillion 64 и Asteion 4 (Toshiba Medical Systems) в фазе максимального вдоха. Шаг сканирования – 1,0 мм, напряжение на трубке 120 kV. Толщина среза – 1 мм, матрица 512×512 элементов. Обследовано 267 (78,1%) мужчин и 75 (21,9%) женщин.

Распределение больных по гистологическим формам рака:

• гистологическая форма 8070/3 – 180 (52,6%),
• гистологическая форма 8140/3 – 162 (47,4%).

У всех пациентов диагнозы были верифицированы морфологическими и цитологическими методами.

Цифровой анализ сканов проводили с помощью программы «Рентгенолог+» (Россия, Барнаул), позволяющей проводить прямую выборку средних значений плотностей пикселей в табличном виде в выделенных областях интереса из файлов в формате DICOM для последующего анализа и статистической обработки. В работе использовалась международная гистологическая классификация опухолей лёгких (ВОЗ, Женева, 1981).

Чувствительность, специфичность и точность метода оценивались в соответствии с рекомендациями ВОЗ (1992), предложенными для определения показателей диагностической значимости методов визуализации при скрининговых исследованиях [4].

Результаты и обсуждение

Проведён статистический анализ денситометрических показателей, полученных путём прицельной денситометрии ШОЛ (табл. 1).

 

Таблица 1. Перечень анализируемых параметров

№	Параметры	Обозначение
1	Средняя плотность всех срезов ШОЛ	Ср
2	Коэффициент корреляции средней по срезам плотности ШОЛ при описании параболической зависимостью	r ср. параб
3	Среднее среднеквадратичных отклонений плотности ШОЛ по срезам	СКО ср
4	Коэффициент корреляции среднеквадратичного отклонения плотности ШОЛ по срезам при описании параболической зависимостью	r СКО параб
5	Средняя по срезам фрактальная размерность ШОЛ	FD
6	Среднеквадратичное отклонение фрактальной размерности ШОЛ	dFD
7	Кернель конволюции	х10
8	Пол пациента	х9
9	Возраст пациента	х1

 

Полученные денситометрические показатели поступали на входы искусственной нейронной сети. Топология искусственной нейронной сети представлена на рисунке. Входные параметры – вектор, каждому из составляющих которого соответствует свой вес. Кроме того, каждый нейрон содержит единичный входной сигнал с соответствующим коэффициентом. Математическое описание нейрона:

где X_i – входы, Y – выход (0 ≤ Y ≤ 1); a₀ – смещение, остальные a_i – весовые коэффициенты; k – количество входов.

 

Топология искусственной нейронной сети

 

При оценке эффективности метода анализировались истинно положительные, истинно отрицательные, ложноотрицательные, ложноположительные результаты (табл. 2).

 

Таблица 2. Результаты дифференциальной диагностики гистологических форм

Результаты	Гистологические формы
	8070/3 – 8140/3 (n=342)
	абс. число	м
Истинно положительные	122	35,7
Истинно отрицательные	139	40,6
Ложноотрицательные	41	12,0
Ложноположительные	40	11,7
Всего:	342	100,0

 

Эффективность дифференциальной диагностики гистологических форм: чувствительность – 35,7+2,6%, специфичность – 40,6+2,6%, точность – 76,3+2,3%.

Выводы:

1. Компьютерная программа «Рентгенолог+» даёт возможность проводить прямую выборку средних значений плотностей пикселей в табличном виде в выделенных областях интереса из файлов в формате DICOM для последующего анализа и статистической обработки.
2. Искусственная нейронная сеть позволяет дифференцировать гистологическую форму 8070/3 с гистологической формой 8140/3 с чувствительностью 35,7+2,6%, специфичностью 40,6+2,6%, точностью 76,3+2,3%.
3. При обработке данных с помощью искусственной нейронной сети количество ложноотрицательных и ложноположительных результатов крайне мало: 12,0 и 11,7% соответственно от общего объёма исследований.

Об авторах

О. В. Борисенко

ФГБОУ ВО «Алтайский государственный медицинский университет» Министерства здравоохранения Российской Федерации

Автор, ответственный за переписку.
Email: dr_borisenko.olga@mail.ru

аспирант

Россия, Барнаул

В. К. Коновалов

ФГБОУ ВО «Алтайский государственный медицинский университет» Министерства здравоохранения Российской Федерации

Email: dr_borisenko.olga@mail.ru
Россия, Барнаул

А. Ф. Лазарев

ФГБОУ ВО «Алтайский государственный медицинский университет» Министерства здравоохранения Российской Федерации

Email: dr_borisenko.olga@mail.ru
Россия, Барнаул

С. Л. Леонов

ФГБОУ ВО «Алтайский государственный технический университет им. И.И. Ползунова»

Email: dr_borisenko.olga@mail.ru
Россия, Барнаул

Список литературы

Дополнительные файлы