Rationale and quality assessment of automated morphometry of the prostate gland on magnetic resonance imaging



Cite item

Full Text

Abstract

Background: An AI service for automating prostate gland morphometry on MRI was tested, showing significant improvements over 11 existing systems. The real-time solution achieved 92% accuracy during prospective testing, highlighting its potential for use in radiology.

Aim:Substantiate the necessity and evaluate the quality of automated measurements of the PG using magnetic resonance imaging (MRI) results in clinical healthcare practice

Methods: The research had two stages: the first assessed the PG size in 3100 MRI protocols created by Moscow radiologists from 2022 to 2024 using the Data Set Preparation Platform tool. The second stage, from April to October 2024, utilized the STARD 2015 methodology to evaluate AI's role in automating measurements based on 560 MRI results and data from a morphometric AI service.

 

Results:In the first stage, 3100 MRI examination protocols were analyzed, excluding post-treatment data. 47.2% were normal, 27.1% had three dimensions without volume, and 13.9% lacked dimensions or subjective characteristics, failing to meet standards. To address this, automated AI-based morphometry is proposed to expedite measurements and lessen the workload for doctors. In the second stage, the AI service's accuracy was assessed with 560 MRI scans, achieving 71.6% compliance. False negatives were 3.9%, and technical defects were 3.8%. The overall clinical assessment ranged from 88.0% to 97.0%, indicating high diagnostic quality, with main errors in gland contouring (52%) and incorrect measurements (13%), often due to prostate apex prolapse.

Conclusions: Analysis of MRI protocols showed that 6.8% have low quality descriptions of prostate size, and 13.9% lack information about the size and volume. In 53.5% of cases, doctors do not confirm their conclusions with data. AI technologies for automating pancreatic measurements have a clinical score of 92.0%, which confirms their accuracy. The data can help in the development of new MRI-based automated morphometry products.

Full Text

Обоснование

В последние годы отмечается неуклонный рост интереса к применению технологий искусственного интеллекта в здравоохранения в целом, а в частности – в лучевой диагностике [1, 2, 3, 4, 5, 6]. Автоматизированный анализ результатов диагностических исследований рассматривается как потенциально эффективный инструмент повышения производительности и качества труда врачей-рентгенологов, оптимизации процессов отделений лучевой диагностики, решения проблемы кадрового дефицита. Постоянно нарастает количество научных публикаций на тему искусственного интеллекта. Однако количество научных продукций не соответствует качеству, причем как самих публикаций, так и предлагаемых решений на основе искусственного интеллекта (ИИ). Подавляющее большинство опубликованных разработок по-прежнему представляют собой экспериментальные образцы, а лежащий в их основе математические модели обучены и протестированы на ограниченных наборах данных. Преобладает ретроспективная оценка точности технологий ИИ в лабораторных условиях, в то время как клинических исследований качества и применимости искусственного интеллекта исчезающе мало. В XXI в. трудно представить себе ситуацию, когда новое лекарственное вещество тестируется лишь в лаборатории, но не испытывается в полноценном клиническом исследовании. В отношении технологий искусственного интеллекта наблюдается именно такая, полностью неприемлемая для современной медицинской науки картина.

В России с 2020 г. проводится Эксперимент по использованию инновационных технологий в области компьютерного зрения для анализа медицинских изображений и дальнейшего применения этих технологий в системе здравоохранения города Москвы (далее – Московский Эксперимент; mosmed.ai) [7]. В настоящее время – это крупнейшее в мире научное проспективное многоцентровое исследование применимости, безопасности и качества искусственного интеллекта. В рамках Московского Эксперимента проводится двухэтапное исследование программного обеспечения на основе технологий ИИ (так называемых ИИ-сервисов), разработанного для решения строго определенных диагностических задач. На первом ретроспективном этапе осуществляется довольно стандартное тестирование на эталонных наборах данных, однако на втором – основном и проспективном этапе изучается качество и стабильность ИИ-сервисов при работе с реальным потоком исследований в условиях практического здравоохранения [8, 9, 10]. Благодаря длительному, в течение месяцев и лет, применению технологий ИИ в реальной практике появляется возможность изучить и их влияние на рабочие процессы в лучевой диагностике, причем не в целом, но в контексте решения строго определенной трудовой операции и клинической задачи.

Одной из таких вполне конкретных задач является морфометрия размеров и объёма предстательной железы при интерпретации и описании результатов магнитно - резонансной томографии (МРТ) малого таза. Отметим, что в структуре урологической патологии мужчин онкологические и воспалительные заболевания предстательной железы преобладают, что делает их скрининг и диагностику чрезвычайно актуальной задачей [11, 12]. Морфометрия представляет собой рутинную процедуру, отнимающую рабочее время врача-рентгенолога и создающую потенциальные риски в силу субъективности выполнения измерений. Очевидно, что для повышения производительности и качества труда эта процедура вполне может быть автоматизирована. Ведь именно для автоматизации измерений показано значимое сокращение длительности описаний результатов лучевых исследований и соответствующее повышение производительности труда врача-рентгенолога [13]. Стоит отметить, ранее создан набор данных «MosMedData МРТ малого таза с морфометрическими показателями предстательной железы» для калибровочного тестирования. Он представляет собой структурированный набор из двухсот деперсонализированных результатов мультипараметрических магнитно-резонансных исследований взрослых мужчин, с наличием морфометрической разметки (вертикальный, переднезадний и фронтальный размеры предстательной железы в миллиметрах относительно оси органа). Изображения представлены в формате DICOM 3.0, разметка – в виде файла в формате XLSX[14].

 

На фоне колоссального интереса к применению ИИ в лучевой диагностике, проблематика автоматизированного анализа результатов МРТ органов малого таза практически не исследована. В частности, не так давно опубликовано порядка 11 разработок на основе ИИ для анализа результатов МРТ предстательной железы. Ни одна из них не предназначена для непосредственной помощи врачу за счет автоматизации рутинной, механистической процедуры измерения целевого органа. Зато разработчики пытаются – и в основном безуспешно – решить сложнейшие задачи дифференциальной диагностики. Еще один существенный недостаток заключается в том, что все эти разработки тестировались только ретроспективно или в режиме соревнования друг с другом, то есть проверка и оценка точности в реальных клинических условиях не проводилась [15, 16].

Цель исследования: обосновать необходимость и изучить качество автоматизированных измерений предстательной железы на результатах магнитно - резонансной томографии в условиях практического здравоохранения.

Материал и методы

ДИЗАЙН ИССЛЕДОВАНИЯ

Исследование выполнено в два этапа.

Критерии включения:

  1. Пациенты мужского пола старше 18 лет.
  2. Магнитно-резонансная томография выполнена в амбулаторных условиях по стандартному протоколу.
  3. Протокол сканирования: loc (локаторы); Т2-ВИ; Т1-ВИ; диффузионно-взвешенные изображения (ДВИ/DWI) с подавлением сигнала жировой ткани и построение на их основе карт измеряемого коэффициента диффузии (ИКД/ADC); динамическое контрастное усиление (ДКУ/DCE).
  4. Наличие результатов автоматизированного анализа (работы ИИ-сервиса).
  5. Наличие информированного добровольного согласия на проведение исследования.

Критерии исключения:

  1. Двигательные артефакты, артефакты от инородных объектов на уровне исследования.
  2. Технические дефекты МР-исследования.
  3. Технические дефекты в результатах работы ИИ-сервиса.

Дизайн первого этапа: аналитическое исследование с применением методов анализа, синтеза и описательной статистики.

Задача первого этапа: оценить полноту описаний размеров предстательной железы в протоколах, составленных по результатам МРТ органов малого таза.

Использованы деперсонализированные данные Единого радиологического информационного сервиса Единой медицинской информационно-аналитической системы г. Москвы (ЕРИС ЕМИАС). Проанализированы протоколы МРТ органов малого таза пациентов старше 18 лет, подготовленные врачами-рентгенологами медицинских организаций г. Москвы в период с 01.01.2022 по 31.12.2024 гг.

                    Поиск    и    анализ    протоколов               выполнен с использованием оригинального

инструмента

«Платформа подготовки наборов данных» [17]. Методика работы включала выбор модальности и вида исследования, подбор и использование комбинаций ключевых слов, связанных с описанием предстательной железы, а также логических операторов.

Выборка первого этапа составила 3100 протоколов по результатам МРТ.

Дизайн второго этапа: проспективное диагностическое исследование в соответствии с методологией репортирования результатов научных исследований диагностических тестов «STARD 2015» [18].

Задача второго этапа: оценить применимость технологий искусственного интеллекта для автоматизации измерений предстательной железы в условиях практического здравоохранения.

Период исследования: апрель–октябрь 2024 г.

Индекс-тест (исследуемый метод) – программный продукт на основе технологий искусственного интеллекта (ИИ-сервис) для распознавания и анализа МР-исследований предстательной железы, интегрированный в ЕРИС ЕМИАС в соответствии с процедурами Московского Эксперимента. Функции ИИ-сервиса: определение вертикального, переднезаднего (сагиттального) и фронтального (поперечного) размеров предстательной железы в миллиметрах относительно оси органа (уретры), вычисление объема предстательной железы [19]. В исследование включен ИИ-сервис «IMV PIRADS» (ООО «Имвижн») – единственный участник Московского Эксперимента по данному направлению (ограничения данного исследования будут представлены в соответствующем разделе в конце статьи).

Референс-тест: клинический мониторинг качества работы ИИ-сервиса в соответствии с оригинальной методикой, разработанной и валидированной в условиях Московского Эксперимента [20, 21, 22].

Методика проведения:

  1. Формирование выборки из всего объема проанализированных ИИ-сервисом результатов МРТ за отчетный период. Выборка формируется случайным образом, ее размер обоснован ранее и составляет 80 исследований [23]. Отчетный период – 1 месяц.
  2. Выборка пересматривается двумя врачами-рентгенологами со стажем работы не менее 5 лет.
  3. Каждый эксперт оценивает результаты автоматизированного анализа данного исследования по двум критериям:
  • корректность определения и маркировки локализации патологических проявлений (маркировка ИИ-сервисом);
  • правильность трактовки ИИ-сервисом результатов лучевого исследования (заключение ИИ-сервиса).
  1. С учетом морфометрического характера, изучаемого ИИ-сервиса под первым критерием, понимали правильность сегментации, а под вторым – определения объема и размеров предстательной железы.
  2. Для каждого исследования эксперт устанавливал вариант оценки: полное соответствие (1 балл), некорректная оценка (0,5 баллов), ложноположительный результат (0,25 баллов), ложноотрицательный результат (0 баллов). Все полученные баллы суммировали; максимально возможное значение суммы для данной выборки принимали за 100,0%, после чего вычисляли удельный вес начисленной суммы баллов; в итоге получали уровень клинической оценки, изменяющейся в диапазоне от 0,0 до 100,0%.

Выборка второго этапа составила 560 результатов МРТ предстательной железы с результатами работы морфометрического ИИ-сервиса.

Этическая экспертиза

Исследование проведено в рамках Эксперимента по использованию инновационных технологий в области компьютерного зрения для анализа медицинских изображений и дальнейшего применения в системе здравоохранения города Москвы [7], утвержденного этическим комитетом (выписка из протокола №2 НЭК МРО РОРР от 20 февраля 2020 года) и зарегистрированного на ClinicalTrials (NCT04489992).

Результаты

На первом этапе осуществлено формирование выборки протоколов по результатам МР-исследований предстательной железы. Всего обнаружено 3100 релевантных протоколов. Далее исключены протоколы, содержащие указание объема предстательной железы или описывающие состояние после радикального хирургического лечения [24]. Полученная выборка подвергнута детальному анализу (табл.1).

Таблица 1. Описания предстательной железы в протоколах без указания объема (n=211)

Описание

 

Количество

Абс.

 

%

Нормальная картина, размеры не указаны

100

 

47,2

Нормальная картина, указаны три размера

57

 

27,1

Описаны изменения без объективных или субъективных оценок размера

16

 

7,6

Увеличение, размеры не указаны

13

 

6,3

Увеличение, указаны три размера

15

 

6,9

Иное*

10

 

4,9

Всего

211

 

100,0

* Анатомия предстательной железы изменена за счет новообразований или хирургических вмешательств, вычисление объема не имеет смысла

В большинстве случаев (47,2%) врач-рентгенологи интерпретировали результаты МРТ как нормальную картину предстательной железы и сообщали об отсутствии изменений размера органа (например, предстательная железа «без особенностей», «не увеличена», «без видимых структурных изменений»). Однако такая оценка не опиралась на объективные данные или таковые не были приведены в протоколе. В 27,1% случаев, наоборот, такие данные присутствовали. Однако приводились только 3 основных размера, а объем предстательной железы указан не был. Такой подход значительно затрудняет восприятие результатов МРТ лечащим врачом. В качестве примеров формулировок можно привести следующие: «Предстательная железа значительно увеличена, 60х50х63 мм, до 1,3 см вдается в полость мочевого пузыря», «Предстательная железа размерами до 33х45х48 мм (ранее 32х50х51 мм)». Еще в 6,9% случаев врачи-рентгенологи отмечали увеличение предстательной железы, но также указывали только три размера («Предстательная железа - увеличена до 52х31х44мм, центральная и периферическая зоны четко дифференцируются»). Наиболее негативной оценки заслуживают две ситуации, суммарно составляющие 13,9%. В первой врач-рентгенологи указывали на наличие патологических отклонений, при этом ни объективно, ни субъективно

(«увеличена/уменьшена») размеры предстательной железы не характеризовали. Во второй – присутствовала субъективная характеристика, но данные о размерах и объеме отсутствовали. Примеры первой ситуации: предстательная железа «неоднородной структуры, с умеренными узловыми изменениями», «с признаками ДГПЖ». Примеры второй ситуации: предстательная железа «умеренно увеличена за счет доброкачественной гиперплазии», «в размерах увеличена с наличием множественных узлов гиперплазии». Очевидно, что такие случаи не соответствуют современным требованиям к качеству интерпретации и описания результатов лучевых исследований.

Для решения выявленных проблем целесообразно внедрение автоматизированной морфометрии предстательной железы. Применение технологий искусственного интеллекта в этом аспекте позволит стандартизировать и максимально ускорить измерения. Для врача-рентгенолога эффект будет заключаться в сокращении рутинной нагрузки и профилактике дефектуры, а для лечащего врача – в получении объективных и клинически значимых данных.

На втором этапе проведена оценка диагностической точности ИИ-сервиса для морфометрии предстательной железы. В отношении данного продукта, в соответствии с методологией Московского Эксперимента проведено 7 клинических мониторингов. Соответственно формировались выборки исследований, позволяющего оценивать диагностическую точность работы технологий ИИ в проспективном дизайне, то есть при работе в условиях практического здравоохранения. Для мониторинга случайным образом отобраны 560 результатов МРТ предстательной железы с результатами автоматизированного анализа.

Полное соответствие результатов работы ИИ-сервиса получено в 71,6% (401) случаев (табл.2). Довольно высок был процент случаев с частичным согласием врача-эксперта – 20,5% (115). Удельный вес ложноотрицательных случаев составил 3,9% (22). Примечательно, что почти на таком же уровне был процент технических дефектов, возникающих при обработке результатов МРТ – 3,8%; это означает, что в 21 случае ИИ - сервис оказался технически ненадежным.

Таблица 2. Результаты клинического мониторинга качества работы ИИ-сервиса для морфометрии предстательной железы на результатах МРТ

Количество (n=560)

 

Оценка

 

 

 

Полное соответствие

Некорректная оценка

ЛП

ЛО

Дефект

Абс.

401

115

1

22

21

%

71,6

20,5

0,2

3,9

3,8

* ЛП – ложноположительный результат, ЛО – ложноотрицательный результат

По итогам каждого мониторинга устанавливалась интегральная клиническая оценка. Диапазон этого показателя составил 88,0–97,0%, что свидетельствует о довольно высоком диагностическом качестве изучаемого инструмента. Следовательно, технологии ИИ (компьютерного зрения) можно считать применимыми для автоматизации измерений предстательной железы.

Суммарно в 138 случае результаты автоматизированного анализа оценены как некачественные, в той или иной мере (рис.1). В структуре выявленных при мониторинге ошибочных или некорректных действий ИИ-сервиса преобладала некорректное оконтуривание предстательной железы – 52,0%; также в 14,0% дефектных случаев сегментация отсутствовала на одной из проекций. Обращает на себя внимание высокий процент неправильных измерений (включая некорректное арифметическое вычисление объема) на фоне полностью адекватной сегментации целевого органа – 13,0%.

Наиболее типичные ошибки сегментации были связаны с наличием пролабирования верхушки предстательной железы в мочевой пузырь, оконтурирование железы с захватом расширенных венозных сплетений или с захватом семенных пузырьков.

На рис. 2–3 представлены примеры автоматизированного анализа, выполненного ИИ - сервисом для морфометрии предстательной железы на результатах МРТ.

Рисунок 1. Структура некорректных или ошибочных действий ИИ-сервиса для морфометрии предстательной железы на результатах МРТ

 

А - Мужчина, 65 лет

 

Б -Мужчина, 67 лет

Рисунок 2. Примеры корректной сегментации и морфометрии предстательной железы

Рисунок 3. Пример некорректной сегментации предстательной железы (контур предстательной железы на сагиттальной проекции выполнен не в полном объёме); мужчина, 86 лет.

Обсуждение

Проблематика применения технологий искусственного интеллекта для анализа результатов МРТ малого таза (в частности, предстательной железы) в научной литературе освещена поверхностно [25, 26, 27]. В общем виде сформулированы возможные задачи для разработок в соответствующей предметной области. В их число входят сегментация и поиск патологических очагов, классификация и повышение качества мультипараметрического изображения, обнаружение и дифференциальная диагностика злокачественных новообразований, классификация степени риска по шкале Глисона [28, 29, 30].

В реальной разработке преобладает онкологическая диагностика, использование методов радиомики, а также мультимодальный подход в виде совместного применения результатов МРТ и патоморфологических исследований предстательной железы [31]. Именно для радиомических моделей показана высокая точность дифференциальной диагностики очагов предстательной железы. Повышает ценность таких публикации факт того, что разработанные модели проходят и внешнюю валидацию, то есть независимую проверку на новых данных [32]. Обобщение в мета-анализе данных из 43 статей (9983 пациента) позволили получить средние значения точности (площади под характеристической кривой) радиомических моделей 0,91– 0,93 [33, 34].

На этом фоне задачи морфометрии предстательной железы незаслуженно обойдены вниманием. Между тем выполнение рутинных измерительных процедур врачом - рентгенологом «вручную» приводит к затратам времени и всегда чревато погрешностями точности и повторяемости [35, 36, 37]. Результаты нашего исследования продемонстрировали ещё одну проблему. В 6,8% протоколах с результатами МРТ органов малого таза качество описаний размеров предстательной железы можно уверенно охарактеризовать как низкое. Из этого числа в 53,5% случаев врачи-рентгенологи не приводят объективного подтверждения своих заключений о размерах предстательной железы, ограничиваясь утверждениями «увеличена / не увеличена». Более того, на фоне описания патологических изменений предстательной железы полностью отсутствует информация о ее размерах и объеме в 13,9% таких протоколов.

Общее количество неинформативных для лечащих врачей протоколов следует считать высоким, особенно в силу технической сложности, высокой стоимости и зачастую ограниченной доступности магнитно-резонансной томографии. Явным образом требуется применение автоматизации для повышения как производительности, так и качества работы врача-рентгенолога.

В целом, в научной литературе показан достаточно высокий уровень диагностической точности ИИ (на основе типовых архитектур нейросетей) при анализе МРТ предстательной железы. Так при автоматизированной сегментации предстательной железы коэффициент Дайса составляет 0,86–0,9 [38, 39], при классификации патологических проявлений площадь под характеристической кривой также достигает 0,84–0,91 [40, 41]. Точность детекции патологических очагов ниже и находится в диапазоне от 0,64 до 0,81 [42]. В сравнительном исследовании установлено, что искусственный интеллект превзошел международную группу врачей-рентгенологов, в составе 62 специалистов, в точности выявления клинически значимого рака предстательной железы и классификации по PI-RADS [43].

Существенным недостатком указанных работ является их экспериментальный характер. Все исследования ИИ для диагностики патологии предстательной железы выполняются в лабораторных условиях, на эталонных наборах данных (включая довольно обширное сравнение точности ИИ и группы из 62 врачей). Более того, независимый анализ качества таких статей показал, что в 47,0% из них отсутствовало полное и корректное описание эталонного набора данных – то есть основного средства измерения точности ИИ. Еще более негативным является факт того, что, до 92,0% статей содержали манипуляции со статистическим анализом в целях сокрытия низкой точности модели [7].

На этом фоне наше исследование проведено в дизайне проспективного исследования, позволившего установить точность и качество работы ИИ в условиях практического здравоохранения. Впервые на достаточно обширном материале получены показатели точности и стабильности работы ИИ-сервиса для морфометрии предстательной железы, отличающиеся научной новизной.

Полученные значения клинической оценки 92% свидетельствуют о достаточно высокой точности изучаемого ИИ-сервиса при его работе на реальном потоке лучевых исследований.

Вместе с тем, анализ структуры дефектов позволил объективно выявить проблемы с сегментацией целевого органа. Исходя из опыта Московского Эксперимента, некорректная сегментация является типичной ошибкой ИИ-сервисов, особенно часто проявляющаяся на ранних этапах их разработки (для данной клинической задачи) [7]. Изучаемый ИИ-сервис вошёл в Эксперимент относительно недавно, поэтому указанный тип дефекта вполне объясним. Результаты клинического мониторинга могут быть использованы как для устранения конкретного дефекта, так и для общего улучшения ИИ - сервиса и подготовке его к клиническим испытаниям в целях получения статуса медицинского изделия.

Ограничения исследования

В исследование включен только один программный продукт на основе технологий искусственного интеллекта. Ситуация обусловлена отсутствием иных разработок, решающих задачу автоматизированной морфометрии предстательной железы. По состоянию на 01.03.2025 в Российской Федерации отсутствуют медицинские изделия с ИИ для решения указанной задачи; в исследование включен единственный релевантный участник Московского Эксперимента. Очевидно, требуются меры стимулирования разработки иных решений, в том числе включающих функционал поддержки диагностических решений на основе радиомики.

Заключение

Анализ 3100 протоколов с результатами магнитно-резонансной томографии органов малого таза выявил низкое качество описаний размеров предстательной железы в 6,8%. На фоне описания патологических изменений предстательной железы полностью отсутствует информация о ее размерах и объеме в 13,9% таких протоколов. В 53,5% случаев врачи - рентгенологи не приводят объективного подтверждения своих заключений о размерах предстательной железы, ограничиваясь общими утверждениями.

Технологии искусственного интеллекта применимы для автоматизации измерений предстательной железы при описании результатов МРТ органов малого таза. При эксплуатации в условиях практического здравоохранения соответствующий ИИ-сервис продемонстрировал значение клинической оценки 92,0%; это позволяет охарактеризовать точность и качество его работы на потоке результатов МР-исследований как высокое.

Полученные сведения могут быть использованы в качестве методического материала для разработки иных продуктов для автоматизированной морфометрии предстательной железы на результатах МРТ малого таза.

×

About the authors

Nelli Nasibian

State Budget-Funded Health Care Institution of the City of Moscow "Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care Department"

Author for correspondence.
Email: nelli-nasibyan94@yandex.ru
ORCID iD: 0009-0004-4620-6204

- Radiologist

 - Graduate student

Russian Federation

Anton V. Vladzymyrskyy

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

Email: a.vladzimirskiy@npcmr.ru
ORCID iD: 0000-0002-2990-7736
SPIN-code: 3602-7120

MD, Dr. Sci. (Medicine)

Russian Federation, Moscow

Kirill M. Arzamasov

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

Email: ArzamasovKM@zdrav.mos.ru
ORCID iD: 0000-0001-7786-0349
SPIN-code: 3160-8062

MD, Cand. Sci. (Medicine)

Russian Federation, Moscow

References

  1. Васильев Ю.А., Владзимирский А.В., Омелянская О.В., Решетников Р.В., Блохин И.А., Коденко М.Р., Нанова О.Г. Обзор метаанализов о применении искусственного интеллекта в лучевой диагностике. Медицинская визуализация. https://doi.org/10.24835/1607-07631425
  2. Kelly, B. S., Judge, C., Bollard, S. M., Clifford, S. M., Healy, G. M., Aziz, A., Mathur, P., Islam, S., Yeom, K. W., Lawlor, A., & Killeen, R. P. (2022). Radiology artificial intelligence: a systematic review and evaluation of methods (RAISE). European radiology, 32(11), 7998–8007. https://doi.org/10.1007/s00330-022-08784-6
  3. Hosny, A., Parmar, C., Quackenbush, J., Schwartz, L. H., & Aerts, H. J. W. L. (2018). Artificial intelligence in radiology. Nature reviews. Cancer, 18(8), 500–510. https://doi.org/10.1038/s41568-018-0016-5
  4. Katzman, B. D., van der Pol, C. B., Soyer, P., & Patlas, M. N. (2023). Artificial intelligence in emergency radiology: A review of applications and possibilities. Diagnostic and interventional imaging, 104(1), 6–10. https://doi.org/10.1016/j.diii.2022.07.005
  5. Ваньков В.В., Артемова О.Р., Карпов О.Э., Матвиенко А.В., Гусев А.В., Еникеев И.М., Костина Е.В. Итоги внедрения искусственного интеллекта в здравоохранении России.
  6. Врач и информационные технологии. 2024; 3: 32-43. https://doi.org/
  7. 25881/18110193_2024_3_32
  8. Гусев А.В., Артемова О.Р., Васильев Ю.А., Владзимирский А.В. Внедрение медицинских изделий с технологиями искусственного интеллекта в здравоохранении России: итоги 2023 г. Национальное здравоохранение. 2024; 5 (2): 17–24. https://doi.org/10.47093/2713069X.2024.5.2.17-24
  9. Компьютерное зрение в лучевой диагностике: первый этап Московского эксперимента / А. В. Владзимирский, Ю. А. Васильев, К. М. Арзамасов [и др.]. – 2-е издание. – Москва : Общество с ограниченной ответственностью «Издательские решения», 2023. – 388 с. – ISBN 978-5-0059-3043-9.
  10. Аполихин О.И., Сивков А.В., Комарова В.А., Никушина А.А. Болезни предстательной железы в Российской Федерации: статистические данные 2008-2017 гг.
  11. Экспериментальная и клиническая урология. 2019. № 2. С. 4-13.
  12. Chen, J., He, L., Ni, Y., Yu, F., Zhang, A., Wang, X., & Yan, J. (2024). Prevalence and associated risk factors of prostate cancer among a large Chinese population. Scientific reports, 14(1), 26338. https://doi.org/10.1038/s41598-024-77863-z
  13. Tan, E. H., Burn, E., Barclay, N. L., Delmestri, A., Man, W. Y., Golozar, A., Serrano, À. R., Duarte-Salles, T., Cornford, P., Prieto Alhambra, D., Newby, D., & OPTIMA Consortium (2024). Incidence, Prevalence, and Survival of Prostate Cancer in the UK. JAMA network open, 7(9), e2434622. https://doi.org/10.1001/jamanetworkopen.2024.34622
  14. Fernandes, M. C., Yildirim, O., Woo, S., Vargas, H. A., & Hricak, H. (2022). The role of MRI in prostate cancer: current and future directions. Magma (New York, N.Y.), 35(4), 503–521. https://doi.org/10.1007/s10334-022-01006-6
  15. Stempel, C. V., Dickinson, L., & Pendsé, D. (2020). MRI in the Management of Prostate
  16. Cancer. Seminars in ultrasound, CT, and MR, 41(4), 366–372. https://doi.org/10.1053/j.sult.2020.04.003
  17. Sunoqrot, M. R. S., Saha, A., Hosseinzadeh, M., Elschot, M., & Huisman, H. (2022). Artificial intelligence for prostate MRI: open datasets, available applications, and grand challenges. European radiology experimental, 6(1), 35. https://doi.org/10.1186/s41747-02200288-8
  18. MosMedData: MPT малого таза с морфометрическими показателями предстательной железы / Васильев Ю.А., Насибян Н.М., Владзимирский А.В. [и др.]. Свидетельство о регистрации базы данных RU 2025620045, 09.01.2025. Заявка № 2024626323 от 20.12.2024.
  19. Васильев Ю.А., Владзимирский А.В., Омелянская О.В., Арзамасов К.М., Четвериков С.Ф.,Румянцев Д.А., Зеленова М.А. Методология тестирования и мониторинга программного обеспечения на основе технологий искусственного интеллекта для медицинской диагностики // Digital Diagnostics. 2023. Т. 4, № 3. С. 252−267. DOI: https://doi.org/10.17816/DD321971
  20. Четвериков С.Ф., Арзамасов К.М., Андрейченко А.Е., Новик В.П., Бобровская Т.М., Владзимирский А.В. Подходы к формированию выборки для контроля качества работы систем искусственного интеллекта в медико-биологических исследованиях. Современные технологии в медицине. 2023. Т. 15. № 2. С. 19-27. https://doi.org/10.17691/stm2023.15.2.02
  21. Платформа подготовки наборов данных / Васильев Ю.А., Владзимирский А.В., Омелянская О.В., Арзамасов К.М. [и др.]. Свидетельство о регистрации программы для ЭВМ RU 2025610804, 14.01.2025. Заявка № 2024691653 от 20.12.2024.
  22. Cohen, J. F., Korevaar, D. A., Altman, D. G., Bruns, D. E., Gatsonis, C. A., Hooft, L., Irwig, L.,Levine, D., Reitsma, J. B., de Vet, H. C., & Bossuyt, P. M. (2016). STARD 2015 guidelines for reporting diagnostic accuracy studies: explanation and elaboration. BMJ open, 6(11), e012799. https://doi.org/10.1136/bmjopen-2016-012799
  23. Васильев Ю.А., Владзимирский А.В., Омелянская О.В., Арзамасов К.М., Четвериков С.Ф.,Румянцев Д.А., Зеленова М.А. Методология тестирования и мониторинга программного обеспечения на основе технологий искусственного интеллекта для медицинской диагностики // DigitalDiagnostics. 2023. Т. 4, No 3. С. 252−267. DOI: https://doi.org/10.17816/DD321971
  24. Maki JH, Patel NU, Ulrich EJ, Dhaouadi J, Jones RW. Part I: prostate cancer detection, artificial intelligence for prostate cancer and how we measure diagnostic performance: a comprehensive review. Curr Probl Diagn Radiol. 2024 Sep-Oct;53(5):606-613. doi:
  25. 1067/j.cpradiol.2024.04.002. https://doi.org/10.1067/j.cpradiol.2024.04.002
  26. Bozgo, V., Roest, C., van Oort, I., Yakar, D., Huisman, H., & de Rooij, M. (2024). Prostate MRI and artificial intelligence during active surveillance: should we jump on the bandwagon?. European radiology, 34(12), 7698–7704. https://doi.org/10.1007/s00330-02410869-3
  27. Васильев Ю.А., Владзимирский А.В., Омелянская О.В., Решетников Р.В., Блохин И.А.,Коденко М.Р., Нанова О.Г. Обзор метаанализов о применении искусственного интеллекта в лучевой диагностике. Медицинская визуализация. 2024;28(3):22-
  28. https://doi.org/10.24835/1607-0763-1425
  29. Бобровская Т.М., Васильев Ю.А., Никитин Н.Ю., Владзимирский А.В., Омелянская О.В.,Четвериков С.Ф., Арзамасов К.М. Объем выборки для оценки диагностической точности программного обеспечения на основе технологий искусственного интеллекта в лучевой диагностике. Сибирский журнал клинической и экспериментальной медицины.
  30. ;39(3):188–198. https://doi.org/10.29001/2073-8552-2024-39-3-188-198.
  31. Свидетельство о государственной регистрации базы данных № 2024620575 Российская Федерация. Набор данных бипараметрической МРТ предстательной железы с гистологической верификацией: № 2024620252: заявл. 26.01.2024: опубл. 06.02.2024 / Ю. А. Васильев, И. А. Блохин, П. Б. Гележе [и др.]; заявитель Государственное бюджетное учреждение здравоохранения города Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы».
  32. Belue, M. J., & Turkbey, B. (2022). Tasks for artificial intelligence in prostate MRI. European radiology experimental, 6(1), 33. https://doi.org/10.1186/s41747-022-00287-9
  33. Harmon, S. A., Tuncer, S., Sanford, T., Choyke, P. L., & Türkbey, B. (2019). Artificial intelligence at the intersection of pathology and radiology in prostate cancer. Diagnostic and interventional radiology (Ankara, Turkey), 25(3), 183–188. https://doi.org/10.5152/dir.2019.19125
  34. Рева С.А., Шадеркин И.А., Зятчин И.В., Петров С.Б. Искусственный интеллект в онкоурологии. Экспериментальная и клиническая урология 2021;14(2):46-51; https://doi.org/10.29188/2222-8543-2021-14-2-46-51
  35. Абоян И.А., Редькин В.А., Назарук М.Г. и др. Искусственный интеллект в диагностикерака предстательной железы с помощью магнитно-резонансной томографии. Новый подход. Онкоурология 2024;20(2):35–43.
  36. DOI: https://doi.org/10.17650/1726-9776-2024-20-2-35-43
  37. Алифов Д.Г., Звезда С.А., Кельн А.А., Кривощапов В.В., Засорина М.А. Лучевая диагностика рака простаты на основе искусственного интеллекта и радиомного машинного обучения. Университетская медицина Урала. 2021. Т. 7. № 4 (27). С. 48-50.
  38. Kaneko, M., Magoulianitis, V., Ramacciotti, L. S., Raman, A., Paralkar, D., Chen, A., Chu, T. N., Yang, Y., Xue, J., Yang, J., Liu, J., Jadvar, D. S., Gill, K., Cacciamani, G. E., Nikias, C. L., Duddalwar, V., Jay Kuo, C. C., Gill, I. S., & Abreu, A. L. (2024). The Novel Green Learning Artificial Intelligence for Prostate Cancer Imaging: A Balanced Alternative to Deep Learning and Radiomics. The Urologic clinics of North America, 51(1), 1–13. https://doi.org/10.1016/j.ucl.2023.08.001
  39. Lu Y, Yuan R, Su Y, Liang Z, Huang H, Leng Q, Yang A, Xiao X, Lai Z, Zhang Y. Biparametric MRI-based radiomics for noninvastive discrimination of benign prostatic hyperplasia nodules (BPH) and prostate cancer nodules: a bio-centric retrospective cohort study. Sci Rep. 2025 Jan 3;15(1):654. doi: 10.1038/s41598-024-84908-w.
  40. Lomer NB, Ashoobi MA, Ahmadzadeh AM, Sotoudeh H, Tabari A, Torigian DA. MRI-based Radiomics for Predicting Prostate Cancer Grade Groups: A Systematic Review and Metaanalysis of Diagnostic Test Accuracy Studies. Acad Radiol. 2024 Dec 31:S1076-6332(24)009541. doi: 10.1016/j.acra.2024.12.006.
  41. Учеваткин А.А., Юдин А.Л., Афанасьева Н.И., Юматова Е.А. Оттенки серого: как ипочему мы ошибаемся. Медицинская визуализация. 2020; 24 (3): 123–145. https://doi.org/10.24835/1607-0763-2020-3-123-145
  42. van der Loo, I., Bucho, T. M. T., Hanley, J. A., Beets-Tan, R. G. H., Imholz, A. L. T., & Trebeschi, S. (2024). Measurement variability of radiologists when measuring brain tumors. European journal of radiology, 183, 111874. Advance online publication. https://doi.org/10.1016/j.ejrad.2024.111874
  43. Sanford, T. H., Zhang, L., Harmon, S. A., Sackett, J., Yang, D., Roth, H., Xu, Z., Kesani, D.,
  44. Mehralivand, S., Baroni, R. H., Barrett, T., Girometti, R., Oto, A., Purysko, A. S., Xu, S., Pinto, P. A., Xu, D., Wood, B. J., Choyke, P. L., & Turkbey, B. (2020). Data Augmentation and
  45. Transfer Learning to Improve Generalizability of an Automated Prostate Segmentation Model. AJR. American journal of roentgenology, 215(6), 1403–1410. https://doi.org/10.2214/AJR.19.22347
  46. Ushinsky, A., Bardis, M., Glavis-Bloom, J., Uchio, E., Chantaduly, C., Nguyentat, M., Chow, D., Chang, P. D., & Houshyar, R. (2021). A 3D-2D Hybrid U-Net Convolutional Neural Network Approach to Prostate Organ Segmentation of Multiparametric MRI. AJR. American journal of roentgenology, 216(1), 111–116. https://doi.org/10.2214/AJR.19.22168
  47. Wang, B., Lei, Y., Tian, S., Wang, T., Liu, Y., Patel, P., Jani, A. B., Mao, H., Curran, W. J., Liu, T., & Yang, X. (2019). Deeply supervised 3D fully convolutional networks with group dilated convolution for automatic MRI prostate segmentation. Medical physics, 46(4), 1707–1718. https://doi.org/10.1002/mp.13416
  48. Le, M. H., Chen, J., Wang, L., Wang, Z., Liu, W., Cheng, K. T., & Yang, X. (2017). Automated diagnosis of prostate cancer in multi-parametric MRI based on multimodal convolutional neural networks. Physics in medicine and biology, 62(16), 6497–6514. https://doi.org/10.1088/13616560/aa7731
  49. Liu S, Zheng H, Feng Y, Li W. Medical imaging 2017: computer-aided diagnosis. 2017. Prostate cancer diagnosis using deep learning with 3D multiparametric MRI; p. 1013428.
  50. Cao, R., Mohammadian Bajgiran, A., Afshari Mirak, S., Shakeri, S., Zhong, X., Enzmann, D., Raman, S., & Sung, K. (2019). Joint Prostate Cancer Detection and Gleason Score Prediction in mp-MRI via FocalNet. IEEE transactions on medical imaging, 38(11), 2496–2506. https://doi.org/10.1109/TMI.2019.2901928
  51. Ishioka, J., Matsuoka, Y., Uehara, S., Yasuda, Y., Kijima, T., Yoshida, S., Yokoyama, M., Saito, K., Kihara, K., Numao, N., Kimura, T., Kudo, K., Kumazawa, I., & Fujii, Y. (2018). Computeraided diagnosis of prostate cancer on magnetic resonance imaging using a convolutional neural network algorithm. BJU international, 122(3), 411–417. https://doi.org/10.1111/bju.14397
  52. Saha, A., Bosma, J. S., Twilt, J. J., van Ginneken, B., Bjartell, A., Padhani, A. R., Bonekamp, D., Villeirs, G., Salomon, G., Giannarini, G., Kalpathy-Cramer, J., Barentsz, J., Maier-Hein, K. H., Rusu, M., Rouvière, O., van den Bergh, R., Panebianco, V., Kasivisvanathan, V., Obuchowski, N. A., Yakar, D., … PI-CAI consortium (2024). Artificial intelligence and radiologists in prostate cancer detection on MRI (PI-CAI): an international, paired, non-inferiority, confirmatory study. The Lancet. Oncology, 25(7), 879–887. https://doi.org/10.1016/S14702045(24)00220-1
  53. Belue MJ, Harmon SA, Lay NS, Daryanani A, Phelps TE, Choyke PL, Turkbey B. The Low Rate of Adherence to Checklist for Artificial Intelligence in Medical Imaging Criteria Among Published Prostate MRI Artificial Intelligence Algorithms. J Am Coll Radiol. 2023
  54. Feb;20(2):134-145. doi: 10.1016/j.jacr.2022.05.022.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) Eco-Vector

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ: серия ПИ № ФС 77 - 38032 от 11 ноября 2009 года.