Возможности искусственного интеллекта при оценке патологии поджелудочной железы по данным спиральной компьютерной томографии

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Искусственный интеллект – это изучение алгоритмов, которые дают машинам способность «рассуждать» и приобретать когнитивные функции для достижения производительности человеческого уровня в задачах, связанных с познанием, таких как, например, решение проблем, распознавание объектов и слов, принятие решений. В настоящее время имеется масса исследований, доказывающих, что искусственный интеллект не только наравне с врачами может проводить диагностику заболеваний, но и тратить на это гораздо меньший временной ресурс. Искусственный интеллект вошел во многие сферы медицины и, в последнее время, его роль стала более весомой в диагностике и лечении патологии поджелудочной железы.

За последнее десятилетие значительно увеличилось количество и вариация методов анализа медицинских изображений в связи с развитием искусственного интеллекта, новых программ для анализа и систематизации объектов.

Целью данного обзора является анализ, обобщение и оценка данных, которые были опубликованы в научной литературе об использовании методик искусственного интеллекта для диагностики патологии поджелудочной железы по результатам компьютерной томографии. Демонстрация дальнейших перспектив и необходимости развития данного направления в медицинской практике.

Систематический поиск литературы проведен по базам данных журналов «PubMed» и «eLibrary». Поиск литературы в журналах проводился по ключевым словам: «искусственный интеллект», «поджелудочная железа», «компьютерная томография», «радиомика». Интервал поиска — 2015–2023 гг. Были изучены все работы зарубежных и отечественных авторов, которые несут в себе информацию об использовании различных вариаций методик искусственного интеллекта для дифференциальной диагностики патологии поджелудочной железы, преимущественно по данным компьютерной томографии, а также их оценка для демонстрации преимущества дальнейшего развития в области медицины.

На сегодняшний день программы искусственного интеллекта по данным спиральной компьютерной томографии позволяют дифференцировать патологию поджелудочной железы с высокой точностью, что значительно облегчает человеческие усилия и служит незаменимым помощником в работе. Именно поэтому необходимо как можно активнее внедрять данные технологии в оборот медицинских учреждений для того, чтобы расширять базу данных искусственного интеллекта, что позволит добиться более точных результатов в диагностике заболеваний поджелудочной железы и не только.

Полный текст

Доступ закрыт

Об авторах

Бадри Валериевич Сигуа

Национальный медицинский исследовательский центр имени В.А. Алмазова

Автор, ответственный за переписку.
Email: dr.sigua@gmail.com
ORCID iD: 0000-0002-4556-4913
SPIN-код: 5571-8893

доктор медицинских наук, заведующий кафедрой общей хирургии лечебного факультета Института медицинского образования

Россия, Санкт-Петербург

Софья Викторовна Клеймюк

Национальный медицинский исследовательский центр имени В.А. Алмазова

Email: sofikleim@gmail.com
ORCID iD: 0009-0001-1362-7916

ассистент кафедры общей хирургии лечебного факультета Института медицинского образования

Россия, Санкт-Петербург

Евгений Алексеевич Захаров

Северо-Западный государственный медицинский университет имени И.И. Мечникова

Email: dr.zakharovea@gmail.com
ORCID iD: 0000-0002-2070-7420
SPIN-код: 2649-1050

кандидат медицинских наук, ассистент кафедры факультетской хирургии с курсом эндоскопии им. И.И. Грекова

Россия, Санкт-Петербург

Евгения Анатольевна Семенова

Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И.Ульянова (Ленина)

Email: easemenova@etu.ru
ORCID iD: 0000-0001-5608-3544
SPIN-код: 6826-0184

кандидат технических наук, доцент кафедры биотехнических систем

Россия, Санкт-Петербург

Диана Дмитриевна Логинова

Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И.Ульянова (Ленина)

Email: logidi@mail.ru
ORCID iD: 0009-0004-5870-7225

магистрант, кафедры биотехнических систем

Россия, Санкт-Петербург

Вячеслав Петрович Земляной

Северо-Западный государственный медицинский университет имени И.И. Мечникова

Email: vyacheslav.zemlyanoy@szgmu.ru
ORCID iD: 0000-0003-2329-0023

доктор медицинских наук, заведующий кафедрой факультетской хирургии с курсом эндоскопии им. И.И. Грекова

Россия, Санкт-Петербург

Список литературы

  1. Мельников П. В., Доведов В. Н., Каннер Д. Ю., Черниковский И. Л. Искусственный интеллект в онкохирургической практике. Тазовая хирургия и онкология. 2020; 10: 3–4: 60–64.
  2. Bektas M, Zonderhuis BM, Marquering HA, Pereira JC, Burchell GL, Peet DL. Artificial intelligence in hepatopancreaticobiliary surgery: a systematic review. Artificial Intelligence Surgery. 2022; 2: 4: 1–12.
  3. Elyan E, Vuttipittayamongkol P, Johnston P, Martin K, McPherson K, Francisco Moreno García K, Jayne C, Sarker MK. Computer vision and machine learning for medical image analysis: recent advances, challenges, and way forward. Artificial Intelligence Surgery. 2022; 2: 1: 24–45.
  4. Литвин А.А., Буркин Д.А., Кропинов А.А., Парамфин Ф.Н. Радиомика и анализ текстур цифровых изображений в онкологии (обзор). Современные технологии в медицине. 2021; 13: 2: 97–106.
  5. Федоров А.В., Эктов В.Н., Ходорковский М.А., Скорынин О.С. Варианты миниинвазивных дренирующих вмешательств при остром панкреатите. Вестник экспериментальной и клинической хирургии. 2022;15(2):165-173. doi: 10.18499/2070-478X-2022-15-2-165-173
  6. Kroner PT, Engels MM, Glicksberg BS, Johnson KW, Mzaik O, van Hooft JE, Wallace MB, El- Serag HB, Krittanawong C. Artificial intelligence in gastroenterology: A state-of-the-art review. World J Gastroenterol. 2021; 28: 27: 40: 6794–6824.
  7. Langan RC, Pitt HA, Schneider E. Role of artificial intelligence in pancreatic cystic neoplasms: modernizing the identification and longitudinal management of pancreatic cysts. Artificial Intelligence Surgery. 2023; 3: 3: 140–146.
  8. Ahmed TM, Kawamoto S, Hruban RH, Fishman EK, Soyer P, Chu LS. A primer on artificial intelligence in pancreatic imaging. Diagnostic and Interventional Imaging. 2023; 104: 9: 435– 447.
  9. Hameed BS, Krishnan UM. Artificial Intelligence-Driven Diagnosis of Pancreatic Cancer. Cancers. 2022; 14: 21: 5382.
  10. Kumar, U. In Research Anthology on Artificial Intelligence Applications in Security Information Resources. Management Association. 2020; 1052–1084.
  11. Ziegelmayer S, Kaissis G, Harder F, Jungmann F, Müller T, Makowski M, Braren R. Deep Convolutional Neural Network-Assisted Feature Extraction for Diagnostic Discrimination and Feature Visualization in Pancreatic Ductal Adenocarcinoma (PDAC) versus Autoimmune Pancreatitis (AIP). Journal of Clinical Medicine. 2020; 9: 12: 4013.
  12. Ren S, Zhao R, Zhang J, Guo K, Gu X, Duan S, Wang Z, Chen R. Diagnostic accuracy of unenhanced CT texture analysis to differentiate mass-forming pancreatitis from pancreatic ductal adenocarcinoma. Abdominal Radiology (NY). 2020; 45: 5: 1524—1533.
  13. Liu Z, Wang S, Dong D, Wei J, Fang C, Zhou X, Sun K, Li L, Li B, Wang M, Tian J. The Applications of Radiomics in Precision Diagnosis and Treatment of Oncology: Opportunities and Challenges. Theranostics. 2019; 9: 5: 1303–1322.
  14. Gillies RJ, Kinahan PE, Hricak H. Radiomics: images are more than pictures, they are data. Radiology. 2016; 278: 563–577.
  15. Park S, Sham JG, Kawamoto S, Blair AB, Rozich N, Fouladi DF, Shayesteh S, Hruban RH, He J, Wolfgang CL, Yuille AL, Fishman EK, Chu LC. CT Radiomics-Based Preoperative Survival Prediction in Patients With Pancreatic Ductal Adenocarcinoma. American Journal of Roentgenology. 2021; 217; 5: 1104—1112.
  16. Chetan MR, Gleeson FV. Radiomics in predicting treatment response in nonsmall-cell lung cancer: current status, challenges and future perspectives. Eur. Radiol. 2021; 31: 2: 1049–1058.
  17. Ibrahim A, Primakov S, Woodruff HC, Halilaj I, Refaee T, Granzier R, Widaatalla Y, Hustinx R, Mottaghy FM, Lambin P. Radiomics for precision medicine: current challenges, future prospects, and the proposal of a new framework. Methods. 2021; 188: 20–29.
  18. Swanton C. Intratumor heterogeneity: evolution through space and time. Cancer Res. 2012; 72: 4875–4882.
  19. Marti-Bonmati L, Cerda-Alberich L, Perez-Girbes A, Díaz Beveridge R, Montalva Oron E, Perez Rojas J, Alberich-Bayarri A. Pancreatic cancer, radiomics and artificial intelligence. Br J Radiol. 2022; 1; 95: 1137.
  20. Xianze W, Yuan CW, Elon C, Yi Z, Eyad I, Ashley RD. The integration of artificial intelligence models to augment imaging modalities in pancreatic cancer. Journal of Pancreatology. 2020; 3: 4: 173—180.
  21. Gai T, Jo J, Zheng B, Thai T, Jones M. Applying a radiomics-based CAD scheme to classify between malignant and benign pancreatic tumors using CT images. Journal of X-Ray Science and Technology. 2022; 30: 377–388.
  22. Fiagbedzi EW, Gorleku PhN, Nyarko S, Atuwo-Ampoh VD, Fiagan YaAC, Asare A. The Role of Artificial Intelligence (AI) in Radiation Protection of Computed Tomography and Fluoroscopy: A Review. Open Journal of Medical Imaging. 2022; 12: 1: 25–36.
  23. Liu SL, Guo YT, Zhou YP, Zhang ZD, Li S, Lu Y. Establishment and Application of an Artificial Intelligence Diagnosis System for Pancreatic Cancer with a Faster Region-Based Convolutional Neural Network. Chin. Med. J. 2019; 32: 23: 2795–2803.
  24. Zhang MM, Yang H, Jin ZD, Yu JG, Cai ZY, Li ZS. Differential Diagnosis of Pancreatic Cancer from Normal Tissue with Digital Imaging Processing and Pattern Recognition Based on a Support Vector Machine of EUS Images. Gastrointest. Endosc. 2010; 72: 5: 978–985.
  25. Saif MW. Pancreatic neoplasm in 2011: an update. JOP. 2011; 12: 4: 316–321.
  26. Li J, Lu J, Liang P, Li А, Hu Y, Shen Y, Hu D, Li Z. Differentiation of atypical pancreatic neuroendocrine tumors from pancreatic ductal adenocarcinomas: using whole-tumor CT texture analysis as quantitative biomarkers. Cancer Medicine. 2018; 7: 10: 4924—4931.
  27. Li S, Jiang H, Wang Z, Zhang G, Yao YD. An effective computer aided diagnosis model for pancreas cancer on PET/CT images. Comput Methods Programs Biomed. 2018; 165: 205–214.
  28. Vilas-Boas F, Ribeiro T, Afonso J. Deep learning for automatic differentiation of mucinous versus non-mucinous pancreatic cystic lesions: a pilot study. Diagnostics. 2022; 12: 9: 2041.
  29. Wright DE, Mukherjee S, Patra A, Khasawneh H, Korfiatis P, Suman G, Chari ST, Kudva YC, Kline TL, Goenka AH. Radiomics-based machine learning (ML) classifier for detection of type 2 diabetes on standard-of-care abdomen CTs: a proof-of-concept study. Abdom Radiol (NY). 2022; 47: 11: 3806–3816.
  30. Kooragayala K, Crudeli C, Kalola A, et al. Utilization of natural language processing software to identify worrisome pancreatic lesions. Ann Surg Oncol. 2022; 29: 13: 8513–8519.
  31. Roch AM, Mehrabi S, Krishnan A, Schmidt HE, Kesterson J, Beesley C, Dexter PR, Palakal M, Schmidt CM. Automated pancreatic cyst screening using natural language processing: a new tool in the early detection of pancreatic cancer. HPB (Oxford). 2015; 17: 5: 447–53.
  32. Парамзин ФН, Какоткин ВВ, Буркин ДА, Агапов МА. Радиомика и искусственный интеллект в дифференциальной диагностике опухолевых и неопухолевых образований поджелудочной железы (обзор). Хирургическая практика. 2023; 1: 53–65.
  33. Casa C, D’Aviero A, Cusumano D, Romano A, Lenkowicz J, Dinapoli N, Cellini F, Gambacorta MA, Valentini V, Mattiucci GC, Boldrini L, Piras A, Preziosi F, Mariani S, Boskoski I. The impact of radiomics in diagnosis and staging of pancreatic cancer. Therapeutic Advances in Gastrointestinal Endoscopy. 2022; 15.
  34. Dalal V, Carmicheal J, Dhaliwal A, Jain M, Kaur S, Batra SK. Radiomics in stratification of pancreatic cystic lesions: Machine learning in action. Cancer Lett. 2020; 28; 469: 228–237.
  35. Baebler B, Gotz M, Antoniades C, Heidenreich JF, Leiner T, Beer M. Artificial intelligence in coronary computed tomography angiography: Demands and solutions from a clinical perspective. Front Cardiovasc Med. 2023; 16; 10.
  36. Ng D, Du H, Yao MM, Kosik RO, Chan WP, Feng M. Today radiologists meet tomorrow AI: the promises, pitfalls, and unbridled potential. Quant Imaging Med Surg. 2021; 11: 6: 2775– 2779.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Сигуа Б.В., Клеймюк С.В., Захаров Е.А., Семенова Е.А., Логинова Д.Д., Земляной В.П., 2024

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах