Прогнозирование аномалий почек внутриутробно с помощью глубокого обучения

В недавнем исследовании, опубликованном на сервере препринтов Research Square* и находящемся на стадии рассмотрения для публикации в журнале Scientific Reports, ученые рассматривают возможность использования моделей глубокого обучения (ГОО) для диагностики аномалий почек плода.

Введение

DL - это метод машинного обучения, использующий искусственные нейронные сети для быстрого и глубокого анализа больших массивов данных с целью выявления ключевых характеристик, которые могут способствовать определенному результату. Огромные объемы данных, обрабатываемые с помощью DL, могут обеспечить новые подходы, которые улучшат или изменят методы оказания медицинской помощи.

Одним из основных преимуществ DL является возможность постоянного повышения эффективности модели за счет включения дополнительных данных, тем более что модели отлично справляются с распознаванием закономерностей. Например, многие модели были обучены на анализе медицинских изображений, особенно если они основаны на сверточных нейронных сетях (CNN).

Ультразвуковое исследование является наиболее часто используемой технологией получения медицинских изображений. Важно отметить, что изображения, получаемые при ультразвуковой визуализации, зависят от квалификации и других характеристик как оператора, так и интерпретатора, что затрудняет клинически полезное моделирование DL.

Ультразвуковая визуализация плода имеет решающее значение для определения анатомии плода и наличия у него пороков развития. Учитывая высокую частоту врожденных аномалий почек и мочевыводящих путей (CAKUT), составляющую один случай из 500 живорожденных, включение ДЛ в пренатальный скрининг может позволить врачам диагностировать эти состояния на более ранних стадиях, что улучшит результаты лечения пациентов.

Что показало исследование?

Исследователи, участвовавшие в данном исследовании, определили, насколько модели ДЛ способны выявлять аномалии почек плода. Для этого использовалось двухклассовое представление имеющихся изображений, а также модельный подход для интерпретации нескольких классов.

Применяемая модель была рассчитана на работу с несколькими метками или на различную иерархическую кластеризацию меток. Исследователи также использовали инструменты объясняемого искусственного интеллекта (XAI), включая Grad-CAM и HiResCAM, для визуализации и понимания причин неправильной классификации некоторых изображений и того, как модель генерирует прогнозы.

Для обучения в данном исследовании было использовано около 970 ультразвуковых изображений, которые включали в себя около 650 контрольных и 320 изображений с аномальной анатомией почек. В частности, около 260 изображений демонстрировали одностороннее расширение мочевых путей (UTD), а 64 - одностороннюю мультикистозную диспластическую почку (MCDK).

Наибольшая эффективность модели определялась точностью, превышающей 80%, чувствительностью 81% и специфичностью 82% на тестовом наборе данных. Когда для предсказания использовались не два, а три класса, эффективность резко снизилась: средняя точность составила 72%, чувствительность - около 40%, специфичность - 86%. Это может быть связано с небольшим количеством случаев UTD и MCKD, что делает двухклассовую задачу более простой для решения обученной модели, чем трехклассовое представление.

Двухклассовая модель обнаружила 85% случаев UTD по сравнению с 67% случаев MCKD. Модель также смогла охарактеризовать клинически значимые признаки изображения, причем HiResCAM оказалась более информативной, чем GradCAM; однако в четырех случаях модель неправильно классифицировала изображения.

Модель DL также использовалась для различения нормальных и аномальных состояний в двухклассовой схеме. Лучшая модель показала большую перспективность в плане обобщения на ультразвуковую визуализацию CAKUT.

Более часто встречающиеся случаи UTD предсказывались лучше, чем более редкие изображения MCKD. Это указывает на то, что наличие большего числа случаев в обучающем наборе данных позволило модели выявить соответствующие паттерны и в конечном итоге в большей степени отличить их от нормальных ультразвуковых изображений.

Результаты исследования позволяют продвинуться в распознавании CAKUT с помощью ультразвуковой визуализации на основе DL-технологии, поскольку впервые в таком большом масштабе используется алгоритм, обученный с самого начала. Модель также использует потенциал методов XAI для улучшения интерпретации предсказаний модели.

Потенциал неправильной классификации также существует по разным причинам. Это подчеркивает необходимость углубления современных представлений о моделях DL для повышения их надежности в тех областях, где неверные прогнозы могут оказаться губительными для пациента.

Каковы последствия?

Полученные нами результаты подчеркивают потенциал моделей глубокого обучения в предсказании аномалий почек по ограниченным данным пренатального УЗИ".

Результаты исследования подчеркивают важность использования в будущих проспективных исследованиях стандартизированных данных о плоде для обеспечения максимального качества и репрезентативности данных. Экспертиза в области ИИ является ключевой для лучшего понимания ограничений существующих подходов к обучению моделей машинного обучения при ультразвуковой диагностике врожденных аномалий плода. Подобные инициативы будут способствовать разработке более надежных и точных инструментов на основе ИИ для этих целей.

https://www.news-medical.net/news/20230717/Predicting-kidney-abnormalities-in-utero-with-deep-learning.aspx