Искусственный интеллект в скрининге рака легкого: оценка диагностической точности алгоритма для анализа низкодозовых компьютерных томографий

Проведена независимая оценка диагностической точности алгоритма искусственного интеллекта для выявления очагов поражения на низкодозовых компьютерных томограммах. Использован датасет, сформированный в рамках программы скрининга рака легкого в г. Москве. Определены следующие показатели: чувствительность – 0,817%, специфичность – 0,925%, точность – 0,860%, площадь под характеристической кривой – 0,930. Высокие показатели точности, полученные при независимом тестировании, свидетельствуют о хорошей воспроизводимости результатов работы искусственного интеллекта на независимых данных, относящихся к популяции г. Москвы.

1. Гомболевский В. А., Барчук А. А., Лайпан А. Ш., Ветшева Н. Н., Владзимирский А. В., Морозов С. П. Организация и эффективность скрининга злокачественных новообразований легких методом низкодозной компьютерной томографии // Радиология ‒ практика. – 2018. – № 1 (67). – С. 28-36.

2. Морозов С. П., Владзимирский А. В., Кляшторный В. Г., Андрейченко А. Е., Кульберг Н. С., Гомболевский В. А. Клинические испытания программного обеспечения на основе интеллектуальных технологий (лучевая диагностика) // Препринт № ЦДТ-2019-1 / Серия «Лучшие практики лучевой и инструментальной диагностики». 2019 – Вып. 23. – 33 с.

3. Морозов С. П., Гомболевский В. А., Владзимирский А. В., Лайпан А. Ш., Кононец П. В., Древаль П. А. Результаты первого года скрининга рака легкого с помощью низкодозной компьютерной томографии в Москве // Вопросы онкологии. – 2019. – Т. 65, № 2. – С. 224-233.

4. Тюрин И. Е. Лучевая диагностика в Российской Федерации в 2014 г. // Вестник рентгенологии и радиологии. – 2015. – № 6. – С. 56-63.

5. Шелехов П. В. Эффективность использования оборудования лучевой диагностики в субъектах Российской Федерации // Менеджер здравоохранения. – 2017. – № 5. – С. 33-41.

6. Щепин В. О. К вопросу о кадровом обеспечении подразделений лучевой диагностики // Проблемы социальной гигиены, здравоохранения и истории медицины. – 2014. – Т. 22, № 5. – С. 42-45.

7. Al Mohammad B., Brennan P. C., Mello-Thoms C. A review of lung cancer screening and the role of computer-aided detection // Clin. Radiol. ‒ 2017. ‒ Vol. 72, № 6. ‒ Р. 433-442. doi: 10.1016/j.crad.2017.01.002.

8. Benzaquen J., Boutros J., Marquette C., Delingette H., Hofman P. Lung cancer screening, towards a multidimensional approach: why and how? Cancers (basel). ‒ 2019 Feb. 12; 11(2). pii: E212. doi: 10.3390/cancers11020212.

9. Causey J. L., Guan Y., Dong W., Walker K., Qualls J. A., Prior F., Huang X. Lung cancer screening with low-dose CT scans using a deep learning approach // arXiv:1906.00240 [eess.IV].

10. Chun I. Y., Zheng X., Long Y., Fessler J. A. BCD-Net for Low-dose CT reconstruction: acceleration, convergence, and generalization // arXiv:1908.01287 [eess.IV].

11. Ciompi F., Chung K., van Riel S. J., Setio A. A. A. Towards automatic pulmonary nodule management in lung cancer screening with deep learning // Sci. Rep. ‒ 2017. ‒ № 7. ‒ Р. 46479. doi: 10.1038/srep46479.

12. De Koning H. J., Van Der Aalst C. M., Ten Haaf K., Oudkerk М. Effects of volume CT lung cancer screening: mortality results of the NELSON randomised-controlled population based trial // J. Thorac. Oncol. ‒ 2018. ‒ № 13. ‒ Р. S185. doi: 10.1016/j.jtho.2018.08.012.

13. Huang K. L., Wang S. Y., Lu W. C., Chang Y. H., Su J., Lu Y. T. Effects of low-dose computed tomography on lung cancer screening: a systematic review, meta-analysis, and trial sequential analysis // BMC Pulm. Med. ‒ 2019. ‒ Vol. 19, № 1. ‒ Р. 126. doi: 10.1186/s12890-019-0883-x.

14. Lei Y., Tian Y., Shan H., Zhang J., Wang G., Kalra M. Soft activation mapping of lung nodules in low-dose CT images // arXiv:1810.12494.

15. Liu Y., Luo H., Qing H., Wang X., Ren J., Xu G., Hu S., He C., Zhou P. Screening baseline characteristics of early lung cancer on low-dose computed tomography with computer-aided detection in a Chinese population // Cancer Epidemiol. ‒ 2019. ‒ № 62. ‒ Р. 101567. doi: 10.1016/j.canep.2019.101567.

16. Liu X., Zhou H., Hu Z., Jin Q., Wang J., Ye B. Clinical Application of Artificial Intelligence Recognition Technology in the Diagnosis of Stage T1 Lung Cancer // Zhongguo Fei Ai Za Zhi. ‒ 2019. ‒ Vol. 22, № 5. ‒ Р. 319-323. doi: 10.3779/j.issn.1009-3419.2019.05.09.

17. Morozov S. P., Vladzymyrskyy A. V., Klyashtornyy V. G., Andreychenko A. E., Kulberg N. S., Gombolevsky V. A clinical acceptance of software based on artificial intelligence technologies (radiology) // Preprint No CDT-2019-1 /

18. Series “Best practices in medical imaging”. – Issue 23. – M., 2019. – 27 p. // arXiv:1908.00381.

19. National Lung Screening Trial Research Team. Lung cancer incidence and mortality with extended follow-up in the National Lung Screening Trial // J. Thorac. Oncol. ‒ 2019 Jun. 28. pii: S1556-0864(19)30473-3. doi: 10.1016/j.

20. jtho.2019.05.044.

21. Pastorino U., Sverzellati N., Sestini S., Silva M., Sabia F., Boeri M., Cantarutti A., Sozzi G., Corrao G., Marchianò A. Ten-year results of the multicentric Italian lung detection trial demonstrate the safety and efficacy of biennial lung cancer screening // Eur. J. Cancer. ‒ 2019. ‒ № 118. ‒ Р. 142-148. doi: 10.1016/j.ejca.2019.06.009.

22. Polat G., Halici U., Dogrusoz Y. S. False positive reduction in lung computed tomography images using convolutional neural networks // arXiv:1811.01424.

23. Ranschaert E. R., Morozov S. P., Algra P. R. Artificial intelligence in medical imaging. ‒ Springer International Publishing. – 2019. – 373 p.

24. Suzuki K., Li F., Sone S., Doi K. Computer-aided diagnostic scheme for distinction between benign and malignant nodules in thoracic low-dose CT by use of massive training artificial neural network // IEEE Trans Med Imaging. ‒ 2005. ‒ Vol. 24, № 9. ‒ Р. 1138-1150.

25. Trajanovski S., Mavroeidis D., Swisher C. L., Gebre B. G., Veeling B. S., Wiemker R., Klinder T., Tahmasebi A., Regis S. M., Wald C., McKee B. J., Flacke S., MacMahon H., Pien H. Towards radiologist-level cancer risk assessment in CT lung screening using deep learning // arXiv:1804.01901v2 [cs.CV] 11 Apr. 2019.

26. You C., Yang L., Zhang Y., Wang G. Low-dose CT via deep CNN with skip connection and network in network // arXiv:1811.10564.

27. Zhang Y., Rong J., Lu H., Xing Y., Meng J. Low-dose lung CT image restoration using adaptive prior features from full-dose training database // IEEE Trans Med Imaging. ‒ 2017. ‒ Vol. 36, № 12. ‒ Р. 2510-2523. doi: 10.1109/TMI.2017.2757035.

28. Epub 2017 Sep. 27.