В настоящее время в мировой системе здравоохранения используется модель 5П-медицины (5ПМ). В понятие 5ПМ заложены предикция (предсказательность), превентивность (профилактика), персонализация, партисипативность (вовлеченность), прецизионность (точность) [1]. Концепция 5ПМ рассматривает индивидуальные особенности состояния здоровья организма человека с его генетическими и геномными предрасположенностями с учетом социального, профессионального и поведенческого статуса индивидуума в определенных условиях окружающей среды [1]. Переход к модели 5ПМ возможен только при условии использования смежных медицинских дисциплин и новых подходов к области технологий.
Обработка и анализ большого объема медицинских данных для быстрого принятия решения по тактике терапии становятся невозможными без использования информационных технологий и подходов к области интеллектуального анализа (ИА) данных. В урологии с начала XXI в. ИА широко используется в диагностике, лечении и прогнозировании различных урологических заболеваний [3–5]. Среди применяемых подходов и методов в области ИА – искусственные нейронные сети, компьютерное зрение, генетические алгоритмы, эволюционное программирование и др. Данные методы формируют обширную отрасль компьютерных наук, названной искусственным интеллектом (ИИ) [6].
Искусственный интеллект сфокусирован на создании умной машины, способной успешно решать интеллектуальные задачи с использованием сложных нелинейных математических систем моделирования, состоящих из базовых строительных блоков, имитирующих человеческие нейроны [3]. Механизм работы ИИ предполагает обучение на имеющихся экспериментальных данных с включением нескольких модулей: обучения, предварительной обработки и диагностики без предположений. Методы взаимодействия между модулями основаны на статистическом распределении и прогнозировании неизвестных значений, что обеспечивает использование объективных данных при принятии решений [3].
Способность программного обеспечения на базе ИИ обучаться на реальных откликах и адаптироваться под текущие условия делает эти технологии уникальными среди медицинских программ [7]. Процесс адаптации может быть направлен на решение различных клинических задач с оптимизацией производительности в конкретной среде. Оптимизация производительности основана на использовании персонифицированного подхода к достижению поставленной задачи, а повышение производительности происходит за счет сбора большего количества входящих данных [7].
В качестве источника информации могут использоваться различные показатели пациентов: демографические, клинические, результаты лучевых и гистологических методов визуализации в формате DICOM (Digital Imaging and Communications in Medicine), характеристики биологических молекул, таких как ДНК (геномика), РНК (транскриптомика), белки (протеомика) и метаболиты (метаболомика) [3].
Применение различных методов из области ИИ способствует повышению точности медицинской визуализации в диагностике заболеваний; позволяет автоматизировать рутинные задачи; удалять расхождения в результатах, связанные с человеческим фактором. Кроме того, возможен контроль качества и выявления наиболее часто пропускаемых особенностей визуализируемой картины [8].
В исследовании Sood et al. ИИ применялся в решении вопросов совершенствования диагностики рака предстательной железы по данным предоперационной магнитно-резонансной томографии (МРТ). В алгоритм машинного обучения (МО) были включены оцифрованные результаты гистологического исследования пациентов, перенесших радикальную простатэктомию, и DICOM-данные предоперационной МРТ. Процесс МО проходил в три этапа. На первом этапе разработана новая генерирующая состязательная сеть с выполнением 3D-реконструкции данных МРТ и 3D-гистологических срезов для каждого наблюдения. Вторым этапом проведено обучение модели МО, в ходе которого сопоставлены характеристики текстуры гистологических 3D-срезов и 3D-МРТ. На третьем этапе определена степень распространенности аденокарциномы в предстательной железе при анализе МРТ в предоперационном периоде. В заключение авторы отметили, что предложенный алгоритм МО позволит более персонифицированно подходить к диагностике и стадированию рака предстательной железы [9].
Методы МО используются также и для неинвазивной предоперационной морфологической верификации образований паренхимы почки. В работе Zhang et al. оценили возможность текстурного анализа 127 наблюдений кортикомедулярной фазы мультиспиральной компьютерной томографии (МСКТ) для определения морфологической природы образований паренхимы почки. Текстурный анализ включал среднее значение интенсивности серого цвета, эксцесс, асимметрию, энтропию, стандартное отклонение SD (standard deviation), среднее значение положительных пикселей MPP (mean of positive pixels). Далее был применен метод опорных векторов (SVM – support vector machines) и сформированы модели, в которые в различных сочетаниях включались данные анализа. Созданные прогностические модели проверены на точность и специфичность при помощи ROC-анализа. В модели с включением SD, энтропии, MPP и эксцесса показатель площади под ROC-кривой AUC (area under curve) составил 0,94±0,03 с точностью 87% (чувствительность – 89%, специфичность –92%), что соответствует хорошему качеству для дифференциальной диагностики несветлоклеточного почечно-клеточного рака от светлоклеточного почечно-клеточного рака. Модель, включившая SD, MPP и асимметрию, продемонстрировала высокий показатель AUC 0,96±0,04 с точностью 78% (чувствительность – 87%, специфичность –92%) с целью верификации папиллярного почечно-клеточного рака и хромофобного почечно-клеточного рака. Авторы работы пришли к выводу о возможности использования текстурного анализа при помощи МО в неинвазивной морфологической верификации образований паренхимы почки [10].
В онкоурологии диагностика посредством методов МО проводится не только на основании методов лучевой визуализации. В исследовании Shkolyar et al. разработан алгоритм МО для прецизионной диагностики опухолей мочевого пузыря при выполнении смотровой уретроцистоскопии без использования дополнительных спектров цвета. В работе использовано 95 видеозаписей трансуретральных резекций (ТУР) мочевого пузыря с гистологически подтвержденным папиллярным уротелиальным раком. Исследователи создали платформу для анализа изображений и автоматического обнаружения опухолей мочевого пузыря – CystoNet. Проспективно платформа использована в ходе проведения 54 ТУР мочевого пузыря. При помощи платформы CystoNet на этапе цистоскопии папиллярная уротелиальная карцинома диагностирована у 39 пациентов из 54 наблюдений. Показатели валидации покадровой чувствительности и специфичности составили 90,9% (95% доверительный интервал [ДИ]: 90,3–91,6%) и 98,6% (95% ДИ: 98,5–98,8%) соответственно. Резюмируя полученные данные, авторы отметили, что цистоскопия, дополненная МО, может улучшать диагностику рака мочевого пузыря на ранних стадиях [11].
Биостатический анализ с применением МО можно также использовать в диагностической модели интерстициального цистита (ИЦ). В эксперименте, проведенном Tong et al., разработан алгоритм МО на базе метаболитов, высвобождаемых из клеток мочевого пузыря, с целью установления биомаркеров ИЦ. Применено два алгоритма: SVM и логистический регресс (logistic regression – LR), заданные для различных параметров, в 43 наблюдениях с ИЦ. Хорошее качество показали модели c использованием алгоритма SVM, где точность составила 86,4%. Авторы отметили, что алгоритмы МО улучшают идентификацию пациентов с ИЦ при применении диагностической панели биомаркеров [12].
Машинное обучение не только способствует совершенствованию диагностики урологических заболеваний, но и позволяет прогнозировать результаты лечения. В исследовании Choo et al. алгоритмы МО использовались для прогноза эффективности одного сеанса дистанционной ударно-волновой литотрипсии (ДУВЛ) в лечении пациентов с конкрементами мочеточника. В работу вошли данные 791 пациента (622 мужчины и 169 женщин) со средним размером конкрементов (5,9±2,3 мм); результаты лечения оценивали через 2 нед. после сеанса ДУВЛ с помощью МСКТ или обзорной рентгенографии. Положительным результатом лечения было определено отсутствие конкрементов или наличие фрагментов не более 2 мм. Общий показатель успеха составил 64,4% (509 пациентов). Самый точный прогноз (92%) с чувствительностью 95% получен при включении в прогностическую модель 15 переменных (возраст, рост, масса тела, характеристики конкремента, уровень креатинина, удельный вес мочи и т.д.). Авторы положительно оценили использование прогностической модели на основании ИА в лечении пациентов с мочекаменной болезнью для планирования ДУВЛ [13].
Прогноз результатов лечения посредством МО нашел широкое применение в терапии пациентов с онкоурологическими заболеваниями, возможность предикации существенно влияет на определение тактики лечения. В ретроспективном исследовании Liu et al. МО использовано для прогноза оценки по шкале Глисона перед выполнением трансректальной биопсии предстательной железы пациентов с повышенным уровнем простатоспецифического антигена (ПСА). С целью прогноза использовались четыре алгоритма МО: LR, SVM, «случайного леса» (RF – random forest), логистического регресса Лассо (Lasso-LR). В алгоритмы включены 16 клинических характеристик 530 пациентов с повышенной концентрацией ПСА. По результатам исследования модель Lasso-LR обладала хорошей точностью, чувствительностью, специфичностью, положительной прогностической ценностью (PPV – positive predictive value) и отрицательной прогностической ценностью (NPV – negative predictive value) 0,712, 0,679, 0,745, 0,730 и 0.695 соответственно. По результатам исследования лучше всего зарекомендовала себя модель Lasso-LR: показатели точности, чувствительности, специфичности, положительной прогностической ценности, отрицательной прогностической ценности для нее были равны 0,712, 0,679, 0,745, 0,730 и 0,695 соответственно. В заключение авторы отметили, что прогностическая модель с алгоритмом Lasso-LR позволяет выявлять наблюдения с неправильной оценкой по шкале Глисона и более прецизионно планировать тактику лечения пациентов с верифицированным раком предстательной железы [14].
Помимо классических методов МО применяются и более сложные технологии, такие как нейронные сети (НС) – искусственные многослойные структуры с большим числом независимо параллельно работающих элементов, составленных из виртуальных нейронов. Нейронные сети имитируют биологические нервные системы и имеют первостепенное значение во многих приложениях ИИ [7]. Они обрабатывают сигналы на уровне простых вычислительных единиц, называемых нейронами; связи между нейронами формируются за счет веса, изменяющегося в процессе того, как НС познает различные варианты ввода–вывода информации, соответствующие таким задачам, как распознавание образов/изображений и классификация данных [3].
С практической точки зрения использование НС важно в прогнозировании выбора наиболее значимых предоперационных данных для индивидуального подхода на этапе планирования тактики лечения. Так, в ретроспективном исследовании Ершова и соавт. НС использовалась с целью поддержки в определении тактики лечения пациентов с мочекаменной болезнью. В алгоритм включено более 50 параметров (демографические, клинические, данные инструментальных методов обследования, физико-химические характеристики конкрементов) для 625 больных, каждому наблюдению на выходе соответствовала своя хирургическая тактика (ДУВЛ, перкутанная хирургия, пиелолитотомия, нефролитотомия). Разработанный диагностический комплекс НС определил 29 параметров, значимо повлиявших на выбор вида хирургического лечения пациентов с мочекаменной болезнью [15].
Другим важным преимуществом технологии НС является возможность конструирования экспертных систем самим врачом-специалистом, который может передавать свой опыт и опыт коллег, основанный на реальных клинических ситуациях [16]. В исследовании Aghazadeh et al. были разработаны классификаторы оценки навыков работы хирурга при выполнении робот-ассистированной простатэктомии на этапе формирования уретроцистоанастомоза. Исследователи использовали алгоритм SVM, в котором входящими данными послужили 146 309 видеозаписей движений рук хирурга во время операций (скорость, связь с другими инструментами, траектория движений).
В дальнейшем для оценки работоспособности разработанную прогностическую модель сравнили с экспертной оценкой шкалы GEARS (External validation of Global Evaluative Assessment of Robotic Skills) [17]. В результате оценки по классификатору навыков точность работы двух рук составила 100%. К наиболее значимым характеристикам оценки навыков отнесены слаженная работа между иглодержателем и пинцетом, скорость движений рук хирурга [18].
Наглядная иллюстрация применения многослойной НС в лечении пациентов с онкоурологическими заболеваниями представлена в работе Ганцева и соавт., в которой НС использовалась для прогноза онкологических результатов хирургического лечением рака мочевого пузыря. Анализ проведен методом случай–контроль. Прогноз предусматривал три вида исхода заболевания: благоприятный, сомнительно благоприятный, неблагоприятный. В работу включены данные 546 пациентов, прооперированных по поводу рака мочевого пузыря и находившихся под наблюдением на протяжении более 5 лет. В качестве входного слоя нейронов использовались следующие параметры пациентов: антропометрические показатели; профессиональные вредности в анамнезе; время, прошедшее с момента морфологической верификации заболевания; курение; алиментарные особенности; генетическая детерминированность опухолевого новообразования; заболевания, приводящие к инфравезикальной обструкции; воспалительные заболевания мочеполовой системы; стадия рака мочевого пузыря; гистологическая характеристика опухоли; наличие инвазии в венозные и лимфатические сосуды; локализация и размер новообразования; характер роста опухоли; количество опухолей; функциональное состояние почек; характер лечения; степень регрессирования опухоли после неоадъювантной химиотерапии; вид оперативного пособия; наличие рецидивной опухоли. Степень достоверности прогноза исходов лечения была определена с точностью до 90%, при этом лучшая предикация достигалась при использовании трехслойной НС [19].
Еще одним видом ИИ является компьютерное зрение (КЗ). Это отрасль компьютерных технологий, в которой разрабатываются научные основы идентификации объектов с созданием дополнительных систем, способных обнаруживать и распознавать объекты по аналогии со зрительным восприятием реальности человеком. Основные задачи КЗ: обнаружение на цифровом изображении или видеозаписи объекта или подтверждение его отсутствия, выявление характерных признаков, а также подсчет или количественная оценка однородных объектов [20]. В медицинской практике КЗ включает автоматическое считывание и сканированных видеоизображений, DICOM-данных лучевой визуализации, цифровых данных морфологических исследований и многое другое [3].
В работе Black et al. с помощью КЗ и МО определяли физико-химический состав 63 конкрементов в почках. Для мультиклассовой классификации каждого цифрового изображения использовали НС. В работе сопоставили цифровые снимки камней с данными физико-химического состава при помощи МО и выявили возможность определения состава камней. В результате специфичность и точность определения состава конкрементов составили: уратные – 97,83 и 94,12%, оксолатный моногидрат (вевелит) – 97,62 и 95%, струвитный (соли фосфора и магния) – 91,84 и 71,43%, цистиновый – 98,31 и 75%, брушит (фосфат) – 96,43 и 75% соответственно [21].
Компьютерное зрение нашло применение в навигации операций из малоинвазивных высокотехнологичных хирургических доступах. Так, в работе Nosrati et al. КЗ использовано для интраоперационной навигации при выполнении робот-ассистированной резекции почки. В ходе операции в соответствии с предложенной методикой при помощи МО устанавливали точную локализацию анатомических структур. С целью обучения в алгоритмы МО включали данные предоперационных 3D-построений, световые и текстурные видеоизображения с верификацией визуализируемых и скрытых сосудистых структур, определяемых по пульсации. Методика была апробирована в 15 робот-ассистированных резекциях почки, полученные данные визуализации совмещали с реально выполняемым оперативным вмешательством. В результате точность визуализации была улучшена на 45% по сравнению со стандартными робот-ассистированными пособиями [22].
Другая технология ИИ использовалась Wang et al. с целью навигации посредством 3D-реконструкций в ходе выполнения 26 лапароскопических и робот-ассистированных резекций с локализацией образований в проекции ворот почки. Интраоперационных осложнений и конверсий в открытый доступ, рецидивов рака не было. Авторы отметили, что использование 3D-реконструкций при поддержке ИИ положительно влияет на результаты органосохранных операций, особенно при расположении новообразований почки на уровне ворот почки [23].
В мире выполнено не так много работ по оценке прогноза оперативного лечения с объединением множества факторов, оказывающих влияние на исход операции [24–26]. Интерес представляет работа Bilimoria et al., в которой был разработан универсальный калькулятор оценки хирургического риска NSQIP (National Surgical Quality Improvement Program). В расчет включен 21 фактор (коморбидный статус пациента, клинические и демографические данные, характеристики предстоящего оперативного вмешательства), посредством построения регрессионных моделей осуществлен прогноз 8 исходов (летальность, пневмония, инфекция мочевыводящих путей, тромбоэмболические осложнения и др.). С целью корректировки калькулятора опыт хирургов вносился как уточняющий балл. В результате авторы отметили хорошие результаты использования моделей в определении риска смертности и развития послеоперационных осложнений: пневмонии, острой почечной недостаточности, тромбоэмболии легочной артерии и др. [24]. По мнению авторов, недостатком разработанного калькулятора является корректировка данных с целью уточнения для конкретного оперативного вмешательства.
В урологии оценка достоверности прогноза универсального калькулятора хирургического риска NSQIP в ходе выполнения робот-ассистированных резекций почки была выполнена в работе [25]. Исследователи внесли результаты 300 органосохранных операций и соотнесли полученные расчетные риски с реально возникшими. Наблюдаемая частота любых осложнений в исследуемой группе составила 14%, в то время как средняя прогнозируемая частота любых осложнений с помощью калькулятора составила 5,42%. Наблюдаемая частота серьезных осложнений (оценка по Clavien–Dindo 3 и выше) составила 3,67% по сравнению с прогнозируемой частотой 4,89%. При сравнительном ROC-анализе показатель AUC (0,51) показал низкое качество модели в прогнозе любых осложнений, в связи с чем авторы сделали следующий вывод: для более точного прогноза требуется внесение и расчет дополнительных факторов, специфичных для урологических пациентов [25]. Таким образом, ИА на основе модели прогнозирования может обеспечить врачей ранними, точными и индивидуальными клиническими решениями.
Несмотря на то что технологии ИА привлекают значительное внимание в медицине, при реализации методов и алгоритмов ИА приходится сталкиваться со многими препятствиями. Во-первых, требуется валидация, так как большинство алгоритмов ИА разработаны в ходе одноцентровых исследований, тем самым не могут быть 100% достоверными для широкого использования. Во-вторых, выполненные работы различаются в дизайне исследования (алгоритмы ИИ, функции обучения и наблюдаемая конечная точка), что затрудняет выполнение количественного анализа. В-третьих, точность прогнозов во многом зависит от качества включаемых характеристик.
В целом использование технологий ИА в здравоохранении помогает анализу сложных медицинских данных и улучшает качество медицинского обслуживания. В будущем с созданием больших медицинских баз данных и дальнейшим развитие методов ИА станет возможным существенно индивидуализировать диагностические и терапевтические возможности. Совершенствование прогноза интраоперационных и послеоперационных осложнений будет способствовать прецизионному определению тактики лечения с минимальным воздействием на функции пациента и качество его жизни.
