Возможности искусственного интеллекта в выделении гамартом из структуры легочных очагов: систематический обзор

Аннотация

Потребность в неинвазивных методах диагностики в отношении одиночных образований/очагов в легких возрастает с учетом накопленного опыта хирургического лечения доброкачественных опухолей легких, в том числе и гамартомы. Современные возможности лучевой диагностики могут быть дополнены внедрением системы искусственного интеллекта (ИИ) на основе радиомики для распознавания легочной гамартомы в рутинной практике, что является на сегодняшний день перспективным направлением в рентгенологии. Цель исследования: обобщение данных о результатах и условиях применения ИИ на основе радиомики в выделении гамартом из структуры легочных очагов. Материалы и методы. Обзор выполнен согласно стандарту PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses). Включены полнотекстовые статьи, опубликованные в период с 2020 по 2024 г. Поиск статей осуществлялся независимо в базах данных КиберЛенинка, еLibrary, Google Scholar, PubMed/MEDLINE по ключевым терминам без применения языковых ограничений: “pulmonary hamartoma”, “radiomics”, “machine learning”, “artificial intelligence”. Результаты. В финальный анализ включены 4 научные публикации по качественному показателю. В статье представлены: описание тренировочных и валидационных датасетов; алгоритмы машинного обучения; параметры диагностической эффективности радиомической модели (ROC AUC — площадь под кривой ошибок, точность, чувствительность и специфичность). Радиомические признаки, отличающие гамартому от злокачественных новообразований легких (карциноид, аденокарцинома), стали предметом всех изученных публикаций. Анализ применения ИИ продемонстрировал, что полученные радиомические модели в ходе исследований достигли очень хорошей (0,836) и отличной (0,942; 0,96) оценки качества на внутреннем тестовом датасете согласно метрике ROC AUC, а также хорошей (0,76) оценки качества на валидационном тесте. Заключение. Неинвазивная дифференциальная диагностика очагов и образований в легких в настоящее время крайне актуальна. Выделение из структуры всех найденных очагов заведомо доброкачественных образований (гамартом) по данным компьютерной томографии поможет сократить количество ненужных верифицирующих операций — то есть принесет прямой экономический эффект. Научные публикации по данной проблематике и их результаты подтверждают перспективность изучения возможностей ИИ и радиомического анализа КТ-снимков в выявлении доброкачественных образований легких (гамартом). Валидация разработанных моделей рекомендована для всех исследований, однако последняя может быть ограничена в связи с малым количеством случаев верифицированной легочной гамартомы в одном учреждении, что подталкивает исследователей к созданию многоцентровой базы для более эффективного обучения ИИ на основе радиомики и проверки чувствительности, специфичности и точности диагностики.