Технологии искусственного интеллекта в МР-нейровизуализации. Взгляд рентгенолога

Искусственный интеллект (ИИ) в последние годы является предметом особого интереса в области лучевой диагностики. Специалисты считают, что развитие и внедрение технологий ИИ позволят повысить точность диагностики, ускорить получение объективной информации, снизить ее вариабельность и оптимизировать рабочий процесс диагностических подразделений ЛПУ. За прошедшие годы ИИ прошел путь от простых систем, основанных на определенных правилах, до сложных алгоритмов глубокого обучения, способных с высокой точностью анализировать медицинские изображения.

Несмотря на определенный прогресс, использование ИИ в медицинской визуализации все еще ограничено. Существует множество проблем, которые необходимо преодолеть, прежде чем его можно будет широко внедрить в клиническую практику. Например, для обучения алгоритмов ИИ требуется большое количество высококачественных аннотированных данных, а такие данные пока недоступны для основной части патологии и любого из методов визуализации. В этой статье рассмотрены возможности ИИ и некоторые из текущих проблем, связанных с применением ИИ в нейровизуализации.

1. Гусев А.В., Морозов С.П., Кутичев В.А., Новицкий Р.Э. Нормативно-правовое регулирование программного обеспечения для здравоохранения, созданного с применением технологий искусственного интеллекта, в Российской Федерации. Медицинские технологии. Оценка и выбор. 2021;43(1):36–45. https://doi.org/10.17116/medtech20214301136

2. Карпов О.Э., Пензин О.В., Веселова О.В. Организация и регуляция взаимодействия искусственного интеллекта с врачом и пациентом. Вестник Национального медико-хирургического центра им. Н. И. Пирогова. 2020, т. 15, № 2. DOI: 10.25881/BPNMSC.2020.73.34.027.

3. Cao Z, Xu J, Song B, et al. Deep learning derived automated ASPECTS on non-contrast CT scans of acute ischemic stroke patients. Human Brain Mapping. 2022;43(10): 3023–3036. https://doi.org/10.1002/hbm.25845

4. Alzheimer’s Association. Alzheimer’s & Dementia: The Journal of the Alzheimer’s Association. 2021. https://www.alz.org/alzheimers-dementia

5. Antoniadi AM, Du Y, Guendouz Y, et al. Current Challenges and Future Opportunities for XAI in Machine Learning-Based Clinical Decision Support Systems: A Systematic Review. Appl. Sci. 2021;11:5088.

6. Arabahmadi M, Farahbakhsh R, Rezazadeh J. Deep Learning for Smart Healthcare-A Survey on Brain Tumor Detection from Medical Imaging. Sensors (Basel). 2022 Mar 2;22(5):1960. DOI: 10.3390/s22051960.

7. Arrieta AB, Díaz-Rodríguez N, Del Ser J, et al. Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Inf. Fusion 2020; 58: 82–115.

8. Bernal J, Mazo C. Transparency of Artificial Intelligence in Healthcare: Insights from Professionals in Computing and Healthcare Worldwide. Applied Sciences. 2022; 12(20):10228. https://doi.org/10.3390/app122010228

9. Bickley SJ, Chan HF, Torgler B. Artificial intelligence in the field of economics. Scientometrics. 2022;127:2055–2084. https://doi.org/10.1007/s11192-022-04294-w

10. Cai H, Jin X. Data Privacy and Security in AI for Medical Imaging: A Review. Journal of Healthcare Engineering. 2019;1–12. https://doi.org/10.1155/2019/4084297

11. Cai W, Fan Y. Deep learning in medical imaging: general overview and future promise. Journal of Medical Systems. 2019; 43(10):427.

12. Marshall CR, Uchegbu I. Artificial intelligence for detection of Alzheimer’s disease: demonstration of real-world value is required to bridge the translational gap, The Lancet Digital Health, Volume 4, Issue 11, 2022, Pages e768–e769, ISSN 2589-7500, https://doi.org/10.1016/S2589-7500(22)00190-X.

13. Davenport T, Kalakota R. The potential for artificial intelligence in healthcare. Future Healthc. J. 2019;6:94–98.

14. Elmezain M, Mahmoud A, Mosa DT, Said W. Brain Tumor Segmentation Using Deep Capsule Network and Latent-Dynamic Conditional Random Fields. Journal of Imaging. 2022; 8(7):190. https://doi.org/10.3390/jimaging8070190

15. Frizzell TO, Glashutter M, Liu CC, et al. Artificial intelligence in brain MRI analysis of Alzheimer’s disease over the past 12 years: A systematic review. Ageing Res Rev. 2022 May;77:101614. DOI: 10.1016/j.arr.2022.101614. Epub 2022 Mar 28. PMID: 35358720)

16. Garbin G, Bizzi A, Landini L, Borghi R. Deep learning in medical imaging: Overview and future promises of an exciting new technique. Insights into Imaging. 2020;11(3):139. https://doi.org/10.1186/s13244-020-00847-1

17. Gerke S, Minssen T, Cohen G. Ethical and Legal Challenges of Artificial Intelligence-Driven Health Care. In Artificial Intelligence in Healthcare, 1st ed.; Bohr, A., Memarzadeh, K., Eds.; Elsevier: Amsterdam, The Netherlands, 2020; pp. 295–336.

18. Gulshan V, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA 316, 2402–2410 (2016).

19. Gur D, Bilgic B, van Bavel JJ. The use of artificial intelligence in neuroimaging. JAMA Neurology. 2020;77(4):427–434.

20. Gutman B, Ikram MA, Fenema PJ. Artificial intelligence in radiology: Past, present and future. European Radiology. 2019;29(7):4071–4081. https://doi.org/10.1007/s00330-019-06065-1

21. Ho PS, Young-Hak K, Young LJ, et al. Ethical challenges regarding artificial intelligence in medicine from the perspective of scientific editing and peer review. Sci. Ed. 2019;6:91–98.

22. Litjens G, Kooi T, Bejnordi BE, et al. A survey on deep learning inmedical image analysis. Med Image Anal. 2017;42:60–88.8.

23. Manne R, Kantheti SC. Application of Artificial Intelligence in Healthcare: Chances and Challenges. Curr. J. Appl. Sci. Technol. 2021;40:78–89.

24. Martinho A, Kroesen M, Chorus C. A healthy debate: Exploring the views of medical doctors on the ethics of artificial intelligence. Artif. Intell. Med. 2021;121:102190.

25. Noguerol T, Paulano-Godino F, Martín-Valdivia M, et al. Strengths, Weaknesses, Opportunities, and Threats Analysis of Artificial Intelligence and Machine Learning Applications in Radiology. Journal of the American College of Radiology. 2019;16:1239–1247. 10.1016/j.jacr.2019.05.047.

26. O’Neil C. Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy. Crown Publishing Group. 2016.

27. Ongena YP, Haan M, Yakar D, Kwee TC. Patients’ views on the implementation of artificial intelligence in radiology: development and validation of a standardized questionnaire. Eur Radiol. 2020 Feb;30(2):1033–1040. DOI: 10.1007/s00330-019-06486-0B.

28. Pesapane F, Codari M, Sardanelli F. Artificial intelligence in medical imaging: threat or opportunity? Radiologists again at the forefront of innovation in medicine. Eur Radiol Exp. 2018;2(1):35.

29. Prastawa M, Balu N, Kakadiaris IA. Machine learning and neuroimaging. Neuroimage. 2015;123, 111– 124.

30. Sajjadian M, Lam RW, Milev R, et al. Machine learning in the prediction of depression treatment outcomes: A systematic review and meta-analysis. Psychol. Med. 2021, 1–10.

31. Schönberger D. Artificial intelligence in healthcare: A critical analysis of the legal and ethical implications. Int. J. Law Inf. Technol. 2019;27:171–203.

32. Traverso A, Wee L, Dekker A, Gillies R. Repeatability and reproducibility of radiomic features: a systematic review. Int J Radiat Oncol Biol Phys. 2018;102(4):1143–1158.

33. Van Essen DC, Smith SM, Barch DM, Behrens TE, Yacoub E, Ugurbil K. Consortium, W.M.H. The WU-Minn human connectome project: An overview. Neuroimage 2013;80:62–79.

34. Wahid F, Alsaied T. Transparent AI in Medical Imaging: A Review. Journal of Healthcare Engineering. 2021: 1–17. https://doi.org/10.1155/2021/1906314

35. Wang X, Liu J, Wang Y, Lu L, Shen D. Deep learning in medical imaging: General overview and future promise. Frontiers in Bioengineering and Biotechnology. 2020;8, 663. https://doi.org/10.3389/fbioe.2020.00663

36. WHO. Health Ethics & Governance of Artificial Intelligence for Health; World Health Organization: Geneva, Switzerland, 2021; p. 150.

37. Wu Y, Fan Y, Wang Y, Shen D. Deep learning in medical image analysis. Annual Review of Biomedical Engineering. 2019;21:221–248.

38. Zech J. Bias in AI: A Problematic Aspect of AI in Medical Imaging. Journal of Medical Systems. 2018;42(8):300. https://doi.org/10.1007/s10916-018-0958-x

39. Zhang X, Liu J, Lu L, Shen D. Deep learningbased prognosis prediction for brain tumors using MRI. Medical Image Analysis. 2021;66, 101957. https://doi.org/10.1016/j.media.2021.101957

40. Zhang X, Ding J. Artificial intelligence in medical imaging: A review. Journal of Medical Systems. 2019;43(10):445. https://doi.org/10.1007/s10916-019-1399-0

41. Wang S, Summers RM. Machine learning and radiology. Med ImageAnal 2012;16:933–51.3.