Применение искусственного интеллекта в ультразвуковой диагностике узловых образований щитовидной железы

ОБОСНОВАНИЕ. Применение искусственного интеллекта в ультразвуковой диагностике узловых образований щитовидной железы ожидаемо и достаточно перспективно. Однако для того, чтобы это понять, необходимо увидеть, как с его помощью работает врач, поэтапно проводя диагностику заболеваний, как именно этот интеллект реализуется в практическом здравоохранении. В текущей публикации представлен обзор существующих интеллектуальных систем поддержки врачебных решений в тиреоидологии, и детально описаны возможности российского интеллектуального компьютерного ассистента врача ультразвуковой диагностики — системы стратификации узловых образований щитовидной железы по категориям EU-TIRADS.

ЦЕЛЬ. Повышение точности и сокращение времени УЗ-диагностики при исследовании узловых образований щитовидной железы за счет использования интеллектуальной системы ассистирования врачу УЗИ на различных этапах его деятельности с демонстрацией действий «ассистента».

МАТЕРИАЛЫ И МЕТОДЫ. Для понимания возможностей использования врачами УЗИ искусственного интеллекта в своей работе предлагаемое решение разделено на этапы, на каждом из которых демонстрируются дополнительные возможности, которыми обладает врач при использовании методов интеллектуального компьютерного зрения. В качестве интеллектуальной базы используются различные архитектуры искусственных нейронных сетей, которые могут дообучаться подобно человеку на новых медицинских данных.

РЕЗУЛЬТАТЫ. Предлагаемое интеллектуальное решение позволяет врачу УЗИ иметь «второе мнение» на своем рабочем месте, которое, обрабатывая кинопетли УЗИ, позволяет решить задачи сегментации и стратификации узловых образований щитовидной железы по категориям EU-TIRADS с точностью 65–70%, т.е. на уровне врача с 5-летним опытом работы. Предложенный управляемый данными (data driven) подход по мере обработки кинопетель новых пациентов будет улучшать свои точностные показатели.

ЗАКЛЮЧЕНИЕ. Повествование подводит читателя к пониманию того, в каких диагностических процессах полезно применять методы искусственного интеллекта при ультразвуковой диагностике узловых образований щитовидной железы, и как можно эффективно взаимодействовать естественному и искусственному интеллекту в рамках программного веб-приложения.

1. Mathur P, Mishra S, Awasthi R, Khanna A, Maheshwari K, et al. Artificial Intelligence in Healthcare: 2021 Year in Review. doi: https://doi.org/10.13140/RG.2.2.25350.24645/1

2. Słowińska-Klencka D, Popowicz B, Klencki M. Real-Time Ultrasonography and the Evaluation of Static Images Yield Different Results in the Assessment of EU-TIRADS Categories. J Clin Med. 2023;12(18):5809. doi: https://doi.org/10.3390/jcm12185809

3. Peng S, Liu Y, Lv W, et al. Deep learning-based artificial intelligence model to assist thyroid nodule diagnosis and management: a multicentre diagnostic study. Lancet Digit Heal. 2021. doi: https://doi.org/10.1016/S2589-7500(21)00041-8

4. Ha EJ, Lee JH, Lee DH, et al. Artificial Intelligence Model Assisting Thyroid Nodule Diagnosis and Management: A Multicenter Diagnostic Study. J Clin Endocrinol Metab. 2024;109(2):527-535. doi: https://doi.org/10.1210/clinem/dgad503

5. Трухин А.А., Захарова С.М., Дунаев М.Е., Исаева М.П., Гармаш А.А., Трошина Е.А. Роль искусственного интеллекта в дифференциальной ультразвуковой диагностике узловых образований щитовидной железы. Клиническая и экспериментальная тиреоидология. — 2022. — Т.18. — №2. С. 32-38. https://doi.org/10.14341/ket12730

6. Фартушный Э.Н., Сыч Ю.П., Фартушный И.Э., Кошечкин К.А., Лебедев Г.С. Стратификация узловых образований щитовидной железы по категориям Eu-TIRADS с использованием трансферного обучения свёрточных нейронных сетей // Клиническая и экспериментальная тиреоидология. — 2022. — Т.18. — №2. https://doi.org/10.14341/ket12724.

7. Manaev AV, Trukhin AA, Zakharova SM, Troshina EA, Mokrysheva NG, Garmash AA. Textural Statistical Features of Ultrasound Imaging of Thyroid Nodules in the Assessment of Malignancy Status. Phys At Nucl. 2023;86(11):2500-2506. doi: https://doi.org/10.1134/S1063778823110297

8. Цыгулева К.В., Ложкин И.А., Королев Д.В., Зайцев К.С., Дунаев М.Е., Гармаш А.А., и др. Исследование применения нейросетевых моделей в классификации узлов щитовидной железы по категориям EU-TIRADS для персонализации ультразвуковой диагностики щитовидной железы // Клиническая и экспериментальная тиреоидология. — 2023. — Т. 19. — №1. doi: https://doi.org/10.14341/ket12757

9. Jhade S, Gangavarapu S, Channabasamma Rozhdestvenskiy O. Smart Medicine: Exploring the Landscape of AI-Enhanced Clinical Decision Support Systems. MATEC Web of Conferences. 2024:392. doi: https://doi.org/10.1051/matecconf/202439201083

10. Hong N, Park H, Rhee Y. Machine Learning Applications in Endocrinology and Metabolism Research: An Overview. Endocrinol Metab. 2020;35(1):71-84

11. Гусев А.В., Владзимирский А.В., Шарова Д.Е., Арзамасов К.М., Храмов А.Е. Развитие исследований и разработок в сфере технологий искусственного интеллекта для здравоохранения в Российской Федерации: итоги 2021 года. 2022. — Т. 3. doi: https://doi.org/10.17816/DD107367

12. Комарь П.А., Дмитриев В.С., Ледяева А.М., Шадеркин И.А., Зеленский М.М. Рейтинг стартапов искусственного интеллекта: перспективы для здравоохранения России. // Журнал телемедицины и электронного здравоохранения. — 2021 г. — Т. 3. URL: https://cyberleninka.ru/article/n/reyting-startapov-iskusstvennogo-intellekta-perspektivy-dlya-zdravoohraneniya-rossii

13. Afridi A, Khan S. Digital transformation in healthcare rehabilitation: a narrative review. 2024;12:16-30. doi: https://doi.org/10.5937/jpmnt12-48336

14. Grigorieva N, Demkina A, Korobeynikova A. Digitalization in the Russian healthcare: barriers to digital maturity. Population and Economics. 2024;8:1-14. doi: https://doi.org/10.3897/popecon.8.e111793

15. Toldo M, Maracani A, Michieli U, Zanuttigh P. Unsupervised Domain Adaptation in Semantic Segmentation: A Review. Technologies. 2020;8:35. doi: https://doi.org/10.3390/technologies8020035

16. База данных №2023624099. База размеченных данных для решения задач классификации EU-TIRADS, автоматических детекции (локализации) и сегментации узловых образований щитовидной железы, дата государственной регистрации 21.10.2023 г.

17. Программа для ЭВМ №2023685308. Интеллектуальный ассистент врача ультразвуковой диагностики узловых образований щитовидной железы, дата государственной регистрации 24.10.2023 г.