Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Применение искусственного интеллекта в обнаружении и стратификации рака предстательной железы: обзор литературы

А.Э. Талышинский

И.Г. Камышанская

А.В. Мищенко

Б.Г. Гулиев

Р.Ф. Бахтиозин



Аннотация

В обзоре литературы проанализированы современные подходы в использовании искусственного интеллекта для обнаружения и стратификации рака предстательнойжелезыподанныммагнитно-резонанснойтомографии. Приведенанализобъемадан-ных, используемых для обучения и валидизации искусственных нейросетей, а такженаиболее востребованные последовательности магнитно-резонансного исследованияпредстательной железы для машинного и глубокого обучения интеллектуальных си-стем. Представленыпоказателиточностивключенныхвобзорнейросетейврешениипоставленных задач, а также дано их краткое описание. Определены недостатки со-временных работ по разработке нейросетей для обнаружения и стратификации ракапредстательнойжелезыподанныммагнитно-резонанснойтомографии, атакжетрудности их разработки и применения. Представленный всесторонний анализ углубляется в существующие подходы к использованию искусственного интеллекта для об-наруженияистратификацииракапредстательнойжелезыспомощьюданныхмагнит-но-резонанснойтомографии. Анализкасаетсямасштабаданныхипредпочтительныхпоследовательностей магнитно-резонансной томографии, используемых для обучениянейроннойсети. Вобзорепредставленаразбивкапоказателейточностидляоценивае-мыхнейронныхсетейсразъяснениемихсоответствующихвозможностей. Крометого, вобзоревыявляютсянедостаткиработ, описывающихтекущиемоделинейронныхсе-тей, разработанных для обнаружения и стратификации рака предстательной железыс помощью магнитно-резонансной томографии, а также признаются сложности, свя-занныесихразработкойипрактическимприменением.

Ключевыеслова: ракпредстательнойжелезы, МРТ, искусственныйинтеллект.



Abstract

Applicationofartificialintelligenceinthedetectionandstratificationofprostatecancer: Literaturereview А.E. Talyshinskii, I.G. Kamyshanskaya, A.V. Mischenko, В.G. Guliev, R.F. Bakhtiozin

Thisreviewexaminesthecurrentmethodologiesemployedinutilizingartificialintelligencefortheidentificationandclassificationofprostatecancerusingmagneticresonanceimaging data. It outlines the volume of data utilized and highlights the most commonly sought-aftersequencesemployedfortrainingneuralnetworks. Thereviewfurtherpresentstheaccuracymetricsoftheneuralnetworksanalyzed, accompaniedbyasuccinctexplanationofeachmet-ric. Furthermore, the review pinpoints the limitations associated with contemporary neuralnetworksdevisedforthedetectionandclassificationofprostatecancerusingmagneticreso-nance imaging data, as well as the challenges encountered during their creation and imple-mentation. In summary, this comprehensive analysis delves into the existing approaches inleveragingartificialintelligenceforprostatecancerdetectionandstratificationthroughmag-netic resonance imaging data. It addresses the data scale and preferred magnetic resonanceimagingsequencesemployedforneuralnetworktraining. Thereviewprovidesabreakdownof accuracy indicators for the neural networks evaluated, elucidating their respective capa-bilities. Moreover, the review identifies the drawbacks associated with current neural networkmodelsdevelopedforprostatecancerdetectionandstratificationviamagneticresonanceim-aging data, while also recognizing the complexities involved in their development and practi-calapplication.

Keywords:prostatecancer, MRI, artificialintelligence.



Основная часть

Рак предстательной железы (РПЖ) является одним из наиболее распространенных онкологических заболеваний мужчин во всем мире. Несмотря на непрерывное развитие диагностических возможностей и алгоритмов, сохраняется про-блематикавыполненияненужныхбиопсийирадикальноголеченияприиндолент-ных новообразованиях [1] и активное наблюдение за пациентами с клиническизначимыми формами. Это связано с широкой вариабельностью степени злокачественности рака предстательной железы и различием в интерпретации снимковмультипараметрической магнитно-резонансной томографии (мпМРТ) разнымиспециалистами[2].

Искусственный интеллект (ИИ) в здравоохранении - область развития, оп-тимизирующая процесс принятия решений специалистами различного профилянавсехэтапахведениябольных[3].Чтокасаетсяракапредстательнойжелезы, тонаиболее популярным методом применения ИИ является именно интерпретацияснимков мпМРТ. Несмотря на широкую вариабельность и известность данногонаправления, в отечественной литературе крайне мало исследований, посвященных как разработке и апробации методов машинного и глубокого обучения длярешениявышеупомянутыхпроблем, такиобзорусовременногосостоянияИИ[4].В свете вышесказанного целью данной работы явилось описание всех имеющих-сяподходоввмашинномиглубокомобучениидляобнаружения, стратификацииисегментацииРПЖ.

Поиск публикаций проводился в декабре 2022 г. в системе PubMed при по-мощиклиническогозапроса: (AI) OR(machinelearning)) OR(deeplearning)) AND(prostate) AND(MRI).Критериямивключениябыли: описаниеметодамашинногоили глубокого обучения для выявления и определения рака предстательной же-лезы, доступность полной статьи, дата публикации не более пяти лет на моментпоиска, наличиеколичественнойоценкиточностиввидеплощадиподхарактери-стическойкривой(AUC).Помимоэтого, анализировалисписоклитературывото-бранныхдляознакомлениястатьях. Вобзорлитературывключалистатьи, акцен-тированныенасравненииразличныхалгоритмов, прианализекоторыхвтаблицувносилисьрезультатыпонаиболееоправданномуметодуобучения.

Описательнаястатистикареализовываласьспомощьюпрограммногообеспе-чения(ПО) SPSSStatistics26.0. ОпределениераспределениянепрерывныхданныхосуществлялиспомощьютестаКолмогорова-Смирнова, послечегорассчиты-валисреднеезначениесостандартнымотклонениемилимедианусминимальнымимаксимальнымзначениямивзависимостиотнормализованности.

В результате поиска необходимых публикаций было найдено 535 статей, из которых в анализ включено 38 работ с описанием 40 различных методов применениямашинногоилиглубокогообучения.

МашинноеобучениевобнаружениииопределенииРПЖ

Вгруппупубликацийпомашинномуобучениювобнаруженииистратифика-ции РПЖ вошло 15 работ. В ходе анализа публикаций обращалось внимание наиспользуемыевнихклассификаторы; количествоисследованийдляобучения, ва-лидизацииитестирования; включенныеванализпоследовательностиМРТиточ-ностьпредлагаемогоподходаввидекоэффициентаСоренсена-Дайса (табл. 1).

Как видно из табл. 1, путем анализа изучаемых показателей определено, что ко-личество исследований для обучения, валидизации и тестирования в среднем со-ставило117,3±92,6сдиапазономот17до344. СредипоследовательностейвмпМРТиспользовалиТ2ВИв14работах, ДВИ-в7, ИКД-в9, ДКУ-в5идиффузионно-тензорнаявизуализацияв1публикации. Средняяточностьсоставила0,899±0,07. Наиболееоправданнымиклассификаторамиявлялись: машинаопорныхвекторов(6 статей), случайныйлес(3 статьи), логистическаярегрессия(3 статьи), иерархи-ческаякластеризация(1 статья), XGBoost(1 статья) ибайесовскаясеть(1 статья).

В работе J. Wang и соавт. [5] продемонстрировано обучение с помощью 40 радиомических признаков и машины опорных векторов. Добавление к данной модели PI-RADS v2 позволило достичь точности выявления клинически значимогоРПЖвпериферическойипереходнойзонах0,983и0,968 соответственно.

В исследовании C. Alvarez-Jimenez и соавт. [6] при сравнении трех классифи-каторов (машинаопорныхвекторов, Adaboostислучайныйлес) былоопределенопреимущество первого с возможностью достижения AUC до 0,91 в диагностикеклиническизначимогоРПЖвобластипереднейфибромышечнойстромы, 0,85 - впериферическойзонеи0,87-впереходнойзоне.

R. Cuocolo и соавт. [7] апробировали машину опорных векторов с использова-нием14радиомическихпоказателейдляопределенияэкстрапростатическогорас-пространения РПЖ. В обучающей и двух тестовых выборках достигнуто значениеплощадиподхарактеристическойкривой, равной0,83,0,80и0,73 соответственно.

N. Gholizadeh и соавт. [8] использовали машину опорных векторов для характеристикизлокачестенныхочаговпредстательнойжелезыпосредствомрадиоми-ческой оценки вокселей в Т2ВИ-взвешенном изображении, ДВИ и диффузион-но-тензорной визуализации, рассчитанной по ДВИ-изображениям с b-фактором, равным 0 с/мм2 с помощью афинного и ригидного преобразования. Согласно ре-зультатам, комбинациявсехтрехпоследовательностеймпМРТприводилакAUC, равной0,93, приэтомиспользованиетолькоснимковвТ2ВИ-взвешенномизобра-жениииДВИприводилокснижениюточностина3,52%.



Таблица 1. Статьи о применении машинного обучения в обнаружении стратификации РПЖ

Авторы	Классификатор	Количество исследований	Последовательности мпМРТ	Коэффициент Соренсена-Дайса
J. Wang и соавт. [5]	Машина опорныхвекторов	54	Т2ВИ, ДВИ	0,983
C. Alvarez-Jimenez и соавт. [6]	Машина опорныхвекторов	84	Т2ВИ	0,91
R. Cuocoloисоавт. [7]	Машина опорныхвекторов	193	Т2ВИ, ИКД	0,80
N. Gholizadehисоавт. [8]	Машина опорныхвекторов	17	Т2ВИ, ДВИ, ДТ	0,93
V. Giannini и соавт. [9]	Машина опорныхвекторов	131	Т2ВИ, ДВИ, ИКД, ДКУ	0,81
B. Vargheseисоавт. [10]	Машина опорныхвекторов	121	Т2ВИ, ИКД	0,92
D. Kwonисоавт. [11]	Случайныйлес	344	Т2ВИ, ДВИ, ИКД, ДКУ	0,82
S.J. Hectorsисоавт. [12]	Случайныйлес	240	Т2ВИ	0,76
L. Zhang и соавт. [13]	Случайныйлес	142	Т2ВИиДВИ	0,918
B. Liuисоавт. [14]	Логистическаярегрессия	40	Т2ВИ, ИКД, ДКУ	0,93
M. Wuисоавт. [15]	Логистическаярегрессия	44	Т2ВИ, ИКД	0,989
Y. Iyamaи соавт. [16]	Логистическаярегрессия	60	Т2ВИ, ИКД	0,97
Y. Akamine и соавт. [17]	Иерархическаякластеризация	52	ДВИ, ДКУ	0,978
S. Liuисоавт. [18]	XGBoost	199	Т2ВИ, ДВИ, ИКД, ДКУ	0,89
A. Stanzioneисоавт. [19]	Байесовскаясеть	39	Т2ВИ, ИКД	0,88

Примечание: Т2ВИ-Т2-взвешенныеизображения; ДВИ-диффузионно-взвешенныеизображения; ИКД - измеряемый коэффициент диффузии; ДКУ - динамическое контрастноеусиление.

V. Giannini и соавт. [9] описали использование машины опорных векторов длядифференциацииРПЖсиндексомГлисона?2и>2 спомощьючетырехрадиоми-ческихпризнаков. Согласноихрезультатам, привалидизациисетиполученозна-чениеAUC, равное0,81.

B. Varghese и соавт. [10] проанализировали точность различных классификато-ров машинного обучения (логистическая регрессия, случайный лес, линейный дис-криминантныйанализ, вариациимашиныопорныхвекторов) прииспользовании

Рис. 1. Алгоритманализаизображений

нейросеть рак предстательный железа

55радиомическихпризнаковвдиагностикеистратификацииРПЖ, атакжесрав-нилиточностьнаиболееинформативногоподходасрезультатамиинтерпретацииснимковрентгенологамипошкалеPI-RADSv2. Согласноихрезультатам, кубиче-ская машина опорных векторов обеспечивает AUC до 0,92 и превосходит результа-тысубъективнойоценкиспециалистов.

D. Kwon и соавт. [11] сравнили точность трех классификаторов (классификаци-онные и регрессионные деревья (CART), случайный лес и Лассо Тибширани (LAS-SO)) с использованием радиомических признаков трех категорий в обнаруженииРПЖпереходнойипериферическойзон. Вовремятестированиянаоткрытомда-тасете получены следующие показатели AUC: 0,76, 0,82 и 0,76 соответственно пере-численнымподходам.

S.J. Hectors и соавт. [12] изучили точность выявления такого клинически зна-чимого РПЖ классификатора, как случайный лес, а также сравнили полученныерезультаты с результатами использования плотности простат-специфическогоантигена (ПСА) и объема предстательной железы. Алгоритм анализа изображе-ний в данной работе представлен на рис. 1. После сортирования Т2ВИ-взвешенныхизображений проводилось ручное контурирование патологических очагов с после-дующим расчетом радиомических параметров контурированной области путем со-поставленияэтихпараметровсрезультатамигистологическойверификации. Припомощи случайного леса проводилось разграничение радиомических признаков, соответствующихклиническинезначимомуизначимомуРПЖ.

Достаточным являлось использование лишь Т2ВИ-взвешенных изображений, что позволяло достигать AUC, равный 0,76, значимо превосходя плотность ПСАиобъемпредстательнойжелезы (0,62и0,61 соответственно).

L. Zhangисоавт. [13] сравнилиточностьтрехклассификаторов (случайныйлес, логистическаярегрессияимашинаопорныхвекторов) вразграниченииРПЖ высокого и низкого риска с помощью обучения по восьми радиомическим пока-зателям. ВтренировочномдатасетедостигнутыследующиезначенияAUC:0,918; 0,886; 0,913, что во всех случаях значимо превосходило заключение рентгенологовпоPI-RADSv2.1 (0,813).

B. Liu и соавт. [14] использовали три тестовых датасета для оценки эффектив-ностипрогнозированиястепенидифференцировкиРПЖпередбиопсиейпредста-тельнойжелезыследующихклассификаторов: машинаопорныхвекторовнаосно-велинейногоядра, логистическаярегрессия, случайныйлес, древорешенийиме-тод k-ближайших соседей. В отличие от предыдущей работы, наилучший результатбыл достигнут с применением логистической регрессии (AUC = 0,93).

M. Wu и соавт. [15] оценивали эффективность логистической регрессии и ма-шины опорных векторов с применением текстурных признаков Т2ВИ и ИКД-изо-бражений в обнаружении РПЖ переходной зоны. В качестве результатов многофак-торного анализа было отобрано четыре наиболее информативных радиомическихпризнака, что позволило достичь значений AUC, чувствительности и специфично-сти, равных0,989/93,2%/98,4% и0,949/93,2%/96,7% соответственно.

Аналогично предыдущей работе Y. Iyama и соавт. [16] описали применение ло-гистическойрегрессиивопределенииРПЖвпереходнойзоне. Впроцессеработыизучались такие параметры, как нормализованный сигнал T2, асимметрия T2, экс-цесс T2, асимметрия ИКД, эксцесс ИКД, среднее и минимальное значение ИКД, изкоторыхиспользованиенормализованногоТ2ВИ-сигналаиегоассиметрия, а также среднее значение ИКД позволяет достигать AUC, равной 0,97, что было со-поставимосрезультатамиопытныхрентгенологов.

Y. Akamine и соавт. [17] продемонстрировали результаты применения иерар-хическойкластеризациидляразграничениянормальнойизлокачественнойтканипредстательнойжелезывпериферическойипереходнойзонах. Точностьдиагно-стикисоставила0,96и0,97 соответственно.

S. Liu и соавт. [18] с помощью градиентного бустинга XGBoost классифициро-вали87радиомическихпоказателей, включаясредниезначенияистандартныеот-клоненияинтенсивностей, атакжеособенноститекстуры, такиекакэнергия, кон-траст и т.д. для выявления РПЖ по Т2ВИ, ДВИ, ИКД и ДКУ снимкам. В тестовомнаборезначенияAUC, чувствительностииспецифичностисоставили0,89,87%, 77% соответственно.

A. Stanzione и соавт. [19] апробировали различные классификаторы (древо ре-шений, случайный лес, машина опорных векторов, метод k-ближайших соседей, байесовскаясетьинаивныйбайесовскийклассификатор) спомощью21радиоми-ческого признака. Согласно результатам, наилучшие показатели достигнуты прииспользованиибайесовскойсети (AUC=0,88).

ГлубокоеобучениенейросетейобнаружениюиопределениюзлокачественностиРПЖ

Методы глубокого обучения нейросетей диагностике рака предстательной же-лезы описаны в 25 работах. Отобранные статьи приведены в табл. 2 с описаниемопределяемых параметров: используемых нейросетей, количества исследованийдляобучения, валидизацииитестирования, включенныхванализпоследовательностей МР-исследования и точности предлагаемой модели в виде площади под ха-рактеристическойкривой.

Таблица 2. Исследования в области применения методов глубокого обучения нейросетей обнаружению и стратификации РПЖ в соответствии с его клинической значимостью

Авторы	Алгоритм	Количество исследований	Последовательности	Точность
J. Ishiokaисоавт. [20]	U-net+ResNet50	335	Т2ВИ	0,645
C. Alvarez-Jimenezисоавт. [6]	InceptionV3	84	Т2ВИ	0,79
F. Zabihollahyисоавт. [21]	U-Net	226	ИКД	0,779
A. Mehrtashисоавт. [22]	9-слойная3DCNN	344	Т2ВИ, ДВИ, ИКД, ДКУ	0,80
A. Sahaисоавт. [23]	3DU-Net+ остаточныйклассификатор	2137	Т2ВИ, ДВИ, ИКД	0,885
Q. Chenисоавт. [24]	VGG-16	344	Т2ВИ, ДВИ, ДКУ	0,83
P. Sobeckiисоавт. [25]	3DVGG-16	344	Т2ВИ, ДВИ, ИКД, ДКУ	0,84
J. Sanyal исоавт. [26]	Модель из двухU-Netсетей	77	Т2ВИ, ДВИ, ИКД	0,86
I. Bhattacharyaисоавт. [27]	CorrSigNet	95	Т2ВИ, ИКД	0,86
X. Yuисоавт. [28]	Res-UNet + 2,5Dсеть	2170	Т2ВИ, ДВИ, ИКД	0,867
S. Yooисоавт. [29]	ResNet	427	ИКД	0,87
X. Zhongисоавт. [30]	ResNet	140	Т2ВИ, ИКД	0,876
P. Khosraviисоавт. [31]	GoogLeNet	400	Т2ВИ	0,89
M. Arifисоавт. [32]	12-слойнаяCNN	292	Т2ВИ, ДВИ, ИКД	0,89
Z. Wangисоавт. [33]	Сеть деформациитканей (TDN) +двунаправленнаясверточнаянейроннаясеть	360	Т2ВИ, ИКД	0,898
I.R. Abdelmaksoudисоавт. [34]	VGGnet	37	ДВИ	0,91
N. Aldojисоавт. [35]	12-слойнаяCNN	200	ДВИ, ИКД, КДУ	0.91
Y. Songисоавт. [36]	МодификацияVGGNet	195	Т2ВИ, ДВИ, ИКД	0,944
S. Liuисоавт. [18]	XmasNet	204	Т2ВИ, ДВИ, ИКД, ДКУ	0,95
O.J. Pellicer-Valeroисоавт. [37]	3DRetinaU-Net	490	Т2ВИ, ДВИ, ИКД, ДКУ	0,96
H. Xuисоавт. [38]	ResNet	346	Т2ВИ, ДВИ, ИКД	0,97
L. Bruneseисоавт. [39]	10-слойнаясверточнаянейроннаясеть	72	Т2ВИ	0,98
R. Caoисоавт. [40]	FocalNet	417	Т2ВИ, ИКД	0,81
Y. Houисоавт. [41]	ResNeXt	840	Т2ВИ, ДВИ, ИКД	0,857
W. Zongисоавт. [42]	«Vanilla» VGG	201	Т2ВИ, ДВИ, ИКД	0,91

Из табл. 2 видно, что медиана количества исследований для обучения, вали-дизации и тестирования составила 335 с диапазоном от 37 до 2170. Среди после-довательностей мпМРТ, Т2ВИ-взвешенное изображение используется в 21 работе, ДВИ-в16, ИКД-в18, ДКУ-в5. Средняяточностьсоставила0,871±0,07.

ВстатьеJ. Ishiokaисоавт. [20] использованаархитектурасверточнойнейроннойсети (англ. convolutional neural network, CNN), сочетающую U-net и ResNet50 моде-ли. ПриапробациинадвухтестовыхдатасетахдостигнутозначениеAUC, равное0,645и0,636 соответственно.

F. Zabihollahy и соавт. [21], используя ИКД 226 пациентов, рассчитанные поДВИ с b-фактором 0, 500, и 1000 с/мм2, описывают применение трех параллельныхU-Netсетейдлявыявленияракапредстательнойжелезы. ИтоговоезначениеAUC, чувствительности и специфичности для комбинированной сети составили 0,779,85,76% и76,44%.

A. Mehrtash и соавт. [22] реализовали трехмерную CNN с тремя входными по-токами: ИКД-карты, ДВИ при максимальном значении диффузионного фактораи Ktrans по ДКУ. Была оценена эффективность различных комбинаций входныхданных мпМРТ для изучаемой архитектуры, и наилучший результат был достиг-нут с использованием ДВИ и ДКУ вместе с зональной информацией по Т2ВИ-взвешеннымизображениям. Притестированиимодельдостиглаплощади, равной0,80, подхарактеристическойкривой.

A. Saha и соавт. [23] описали архитектуру из двух параллельных CNN (M1, M2).Согласнорезультатам, этаархитектураприиспользованииобеихсетейдостигаетв идентификации РПЖ значения AUC, в среднем равного 0,885, что значимо выше, чем при использовании таких 3D сетей, как Attention U-Net, nnU-Net, UNet++ иU-SEResNet (0,861,0,872,0,850,0,856,0,500 соответственно).

Q. Chen и соавт. [24] описали трансферное глубокое обучение посредством се-тейInceptionV3иVGG-16дляобнаруженияРПЖпоТ2ВИ, ДВИиДКУснимкам. Метод трансферного обучения состоит в адаптации сети, разработанной для смеж-нойзадачи. Согласнорезультатамавторов, модельInceptionV3достиглаподкри-войплощади, равной0,81, аVGG-16-равной0,83.

P. Sobecki и соавт. [25] разработали модель на основе базовой сети VGG-16 пу-тем введения 3D-сверточных слоев вместо 2D-слоев. T2-изображения в сагитталь-ной, коронарнойиаксиальнойплоскостях, атакжеснимкиДВИ, ИКДиКДУоб-рабатывались независимо друг от друга в отдельных 3D-слоях. Оптимизированнаямодель с кодированием знаний при обучении достигла несколько лучших результа-товклассификациипосравнениюстрадиционнойархитектурой (AUC=0,84 про-тивAUC=0,82).

J. Sanyal и соавт. [26] описали модель двухэтапной сверточной нейронной сетииз двух U-Net сетей. Первая отвечала за сегментацию предстательной железы, вто-раяосуществлялаобнаружениеклиническизначимогоРПЖ. Описаннаяархитек-турадостигалаAUC, равной0,86.

I. Bhattacharya и соавт. [27] описали CorrSigNet, учитывающую на этапе обу-чениянетолькоснимкиТ2ВИиИКД, ноиизображениягистологическихсрезов. Итоговаяточностьсоставила0,86.



Рис. 2. Схемамультикомпонентнойнейросети.

X. Yu и соавт. [28] описали архитектуру Res-UNet. Уменьшение ложноположи-тельныхрезультатов осуществлялосьдополнительной 2,5Dсетью.

S. Yooисоавт. [29] вкачествесетивыбралимодификациюResNet. Дляанали-за ДВИ снимков с соответствующим диффузионным фактором (0, 100, 400, 1000,1600 с/мм2) использовались пять сверточных нейронных сетей (рис. 2). Входнымиданными для пяти CNN являются ИКД изображения размером 66 Ч 66 Ч 6, соот-ветствующие b-фактору со значениями 0 с/мм2, 100 с/мм2, 400 с/мм2, 1000 с/мм2,1600с/мм2. ПутемпараллельногоанализаДВИснимковсразнымизначениямиb-фактораопределяетсявероятностьналичияракапредстательнойжелезы, чтовпоследующем, длявзаимногоувеличенияточностипрогнозирования, интегри-руетсявединуюпрогностическуюмодельнаосновеглубокогообучения.

В публикации X. Zhong и соавт. [30] использована нейросеть ResNet с транс-ферным обучением для разграничения клинически незначимых и значимых оча-гов РПЖ, а также проведено сравнение ее эффективности с эффективностьюстандартной сверточной нейронной сети и PI-RADS v2. Согласно результатам, дляразличенияиндолентногоновообразованияиклиническизначимыхпораженийс помощью модели с трансферным обучением, без него и с применением оценкиPI-RADS v2 значения площади под характеристической кривой составили 0,726,0,687 и 0,711 соответственно. При этом разница между трансферным обучениемиPI-RADSv2быластатистическинезначима.

P. Khosraviисоавт. [31] использовалиархитектуруGoogleInception-V128 (GoogLeNet). Авторы преследовали две цели: дифференциацию опухолей от здоро-вых тканей путем формирования Глисон группы (GG) 3, 4 и 5, а также определениетолько клинически значимых очагов (путем объединения GG 1, 2 и 3, 4, 5 в разныегруппы соответственно). Предлагаемый алгоритм способен идентифицироватьопухольПЖи, вчастности, выделятьклиническизначимыеочагисозначениямиAUC, чувствительности и специфичности0,89, 81,5%, 82% и0,78, 71,3%, 68,9% со-ответственно.

M. Arif и соавт. [32] описывают опыт применения глубокого обучения по Т2ВИ, ДВИ (b-фактор=800с/мм2) иИКДснимкамввыявленииисегментацииклиниче-скизначимогоракапредстательнойжелезыивподтверждениираканизкогориска (степень ISUP ? 1) у пациентов, находящихся под активным наблюдением. AUC, чувствительность и специфичность достигали диапазона 0,65-0,89, 82-92% и 43-76% соответственно.

Z. Wangисоавт. [33] описалииспользованиенейроннойсети, состоящейиз объединенных подсетей: 1) сети деформации тканей (TDN) для автоматическогообнаружения предстательной железы и 2) двунаправленной CNN для обнаруже-ния клинически-значимого РПЖ (кзРПЖ). На этапе обучения две сети взаимновлияют друг на друга и эффективно направляют регистрацию и извлечение репре-зентативныхпризнаков. Согласнорезультатамавторов, комбинацияТ2ВИиИКДизображенийболееоправданаипозволяетдостигатьAUC, равной0,898.

I.R. Abdelmaksoudисоавт. [34] оценилидиагностическуюточностьсетейAlexNet и VGGNet с помощью ДВИ изображений, полученных при использованиидевяти диффузионных факторов (100, 200, 300, 400, 500, 600, 700, 800 и 900 с/мм2).Средняячувствительность и специфичность AlexNet составила 87,5 ±2,3% и 90,9 ±1,9%. Эти результаты улучшились при использовании более глубокой мо-делиCNN (VGGNet), достигая значений91,7 ± 1,7% и 90,1± 2,8% соответственно.

N. Aldoj и соавт. [35] апробировали 3D сверточную нейронную сеть с отдель-нымивходнымислоямидляТ2ВИ, ДВИ, ИКДиДКУизображений, нацеленнымина диагностику РПЖ. Значение AUC достигало 0,91 при использовании изображе-нийДВИ, ИКДиКДУ, приэтомприменениеТ2ВИ-взвешенногоизображениянеприводилоккаким-либоулучшениям.

Y. Song и соавт. [36] модифицировали VGGNet и разработали архитектуру глу-бокойсверточнойнейроннойсети(DCNN).ОбучениепроводилосьспомощьюТ2ВИ и ДВИ и ИКД изображений 195 пациентов. Точность разграничения опухо-левой и здоровой ткани составила 0,944 с чувствительностью 87,0% и специфично-стью90,6%.

O.J. Pellicer-Valero исоавт. [37] апробировали сеть 3D Retina U-Net, объеди-няющуюодноступенчатуюRetinaNetиU-Net, дляобнаруженияистратификацииопухоли предстательной железы. Согласно результатам, подобная архитектуранейросети приводила к AUC, чувствительности и специфичности, равным 0,96,100% и79% соответственно.

H. Xu и соавт. [38] использовали остаточную нейронную сеть ResNet для авто-матизированнойдиагностикиРПЖпоснимкамТ2ВИ, ДВИиИКД.

L. Bruneseисоавт. [39] использовалимодифицированнуюCNNсвключени-ем71радиомическогопризнакаТ2ВИ-взвешенныхизображений, разделенныхна пять групп. Точность выявления и стратификации опухоли варьировала от 0,96до0,98.

R. Cao и соавт. [40] описали использование FocalNet - сквозной многоклассовой CNN, симультанно определяющей очаг поражения и степень его злокачествен-ностипоГлисонупутемпринятияТ2ВИиИКДизображенийвдвавходныхканалаи прогнозирования на уровне пикселей метки шести классов: «поражения нет», GS3+3, GS3+4, GS4+3, GS=8иGS?9. Дляобнаружениятолькоклиническизначимыхпораженийбыладостигнутаплощадьподхарактеристическойкривой, равная0,81.

Y. Hou и соавт. [41] описали двухмерную сверточную нейронную сеть ResNeXtс модулем сверточного блочного внимания (CBAM) для анализа изображениймпМРТ путем совместного использования режимов Т2ВИ, ДВИ со значением диф-фузионногофактора1500с/мм2иИКД.W. Zongисоавт. [42] использовали «vanilla» сверточнуюнейроннуюсетьтипаVGG. СредниезначенияAUC, чувствительностии специфичности составили 0,91, 100% и 83% и были максимальными при комби-нацииТ2ВИ, ДВИиИКДизображений.

Ракпредстательнойжелезывовсеммирезанимаетлидирующиепозициив структуре мужской заболеваемости и смертности от злокачественных новообра-зований[43].Несмотрянаанатомо-функциональнуювизуализациюпредстатель-ной железы при выполнении мпМРТ и на наличие протокола унифицированияинтерпретации в виде PI-RADS v2 / v2.1, до сих пор сохраняется проблематика раз-личиявзаключенияхразныхспециалистов, анализирующихснимкиодногопаци-ента, выполнения ненужных биопсий предстательной железы и упущения при еевыполнениидоминантныхинаиболеезлокачественныхочагов, приводящегокне-правильнойстратификациибольных.

Одним из способов решения этих проблем является применение вычислитель-ных алгоритмов, в частности искусственного интеллекта. В медицине использова-ние данного направления в основном реализовано посредством алгоритмов машин-ного и глубокого обучения. Однако, несмотря на впечатляющие результаты вклю-ченныхвобзорисследований, существуютисследованияисобратнымрезультатом.

P. Schelbисоавт. [44] показали, чтозаключениерентгенологовнеуступалоU-Netсетивточностиобнаруженияиопределениивероятностиклиническойзна-чимостиРПЖ.

S.Y. Youn и соавт. [45] сравнили точность системы Prostate AI (Siemens Health-care) с результатами рентгенологов, разделенных на подгруппы в зависимости отопыта интерпретации мпМРТ. Лишь заключение специалистов с наименьшим опы-том уступало оценке Prostate AI, в то время как наиболее опытные рентгенологидостигали достоверно большую точность. То же самое представлено в работе T. San-fordисоавт. [46], сравнивающихоценкуPI-RADSv2срезультатами ResNetсети.

В основе вышеупомянутых несоответствий лежат несколько проблем, огра-ничивающих определение преимуществ и перспектив активного внедрения ИИ-системвклиническуюпрактику.

Во-первых, направление искусственного интеллекта является постоянно и бур-норазвивающимся, чтонепозволяетопределять «золотойстандарт» архитектуры сети. Помимо этого, в исследованиях наблюдаются различия в реализации этапасбора, подготовки и интерпретации данных. В работе M.H. Le и соавт. [47] пока-зано, чторазницавточностивыявленияклиническизначимогоракапредстатель-нойжелезымеждутремяархитектурамиглубокогообучения (VGGNet, GoogLeNetи ResNet) относительно невелика и зависит от методов слияния и аугментацииданных. Цельюпоследнейявляется «компенсация» ограниченногоколичествадо-ступных изображений и приближения распределения выборки к истинному. Этонеобходимо не только для увеличения абсолютного числа данных при обучении, но и для их репрезентативности [48]. В свою очередь, при машинном обучениинаиболее информативным подходом в получении данных является определениеневидимых человеческому глазу радиомических признаков (форма, объем, поверх-ность и текстура), соответствующих количественным показателям изображений[49]. Однако этот процесс требует значимых усилий по тщательному проектирова-ниюобъектовпередобучениемклассификаторов.

Во-вторых, при выполнении мпМРТ в стационарах используются различныенастройки аппаратуры, что требует предварительного предпроцессинга данныхдля их обобщения перед обучением сетей. Помимо этого, несмотря на весомыймировой задел в рамках разработки алгоритмов ИИ для диагностики рака пред-стательнойжелезы, неопределенанаиболееинформативнаякомбинациярежимовмпМРТ, что отображено в нашем обзоре. В частности, только в 29 работах исполь-зуются ИКД данные. Согласно исследованию D. Bonekamp и соавт. [50], использо-вание лишь ИКД изображений достаточно для успешного определения клиническизначимогоракапредстательнойжелезыкаквпериферической, такивпереходнойзоне, безкаких-либодополнительныхпреимуществприиспользованиимашинно-го обучения, а также при добавлении данных Т2ВИ режима. Помимо этого, в мета-анализе H.J. Meyer и соавт. [51] показано, что среди всех режимов мпМРТ именноИКДнаиболеедостовернокоррелируетсошкалойГлисона.

В-третьих, сама природа рака предстательной железы определяет сложностьприменения ИИ для его инструментальной интерпретации. В большинстве работ об-наруживается только доминантный очаг, что не позволяет определять истинную сте-пень поражения предстательной железы. Помимо этого, хотя в большинстве работосновной задачей ставится обнаружение опухоли в пределах всей предстательнойжелезы, в когорте обучения преобладают случаи локализации очага в перифериче-ской зоне. Рак переходной зоны предстательной железы является распространеннойклиническойпроблемой, надолюкоторойприходитсядо20% всехслучаевРПЖ.

Наконец, практически все работы направлены на интерпретацию непосред-ственно зоны очага, в то время как без внимания остается так называемая пери-туморальная зона. Согласно A. Algohary и соавт. [52], определение радиомическихпризнаков данной локализации при использовании машинного обучения приво-дит к увеличению точности диагностики клинически значимого рака предстатель-нойжелезына3-6%.

Применение искусственного интеллекта в анализе мпМРТ изображений па-циентовсподозрениемнаракпредстательнойжелезыявляетсямногообещающим инструментом для более эффективной их интерпретации. Однако многообразиестроения нейросетей, неопределенность в выборе режимов мпМРТ и клинико-лабораторных данных для их обучения диктуют необходимость дальнейших ис-следованийдлярешенияданныхограничений.



Литература/References

1. Shatylko T.V., Popkov V.M., Fomkin R.N. Integrative approach to pre-operative determination ofclinicallysignificantprostatecancer. Saratovskiinauchno-meditsinskiizhurnal, 2015, vol. 11, no. 3, pp.345-348. (InRussian)

2. WestphalenA.C., McCullochC.E., AnaokarJ.M., AroraS., BarashiN.S., BarentszJ.O., BathalaT.K., BittencourtL.K., BookerM.T., BraxtonV.G., CarrollP.R., CasalinoD.D., ChangS.D., CoakleyF.V., Dhatt R., Eberhardt S.C., Foster B.R., Froemming A.T., Fьtterer J.J., Ganeshan D.M., Gertner M.R., Mankowski Gettle L., Ghai S., Gupta R.T., Hahn M.E., Houshyar R., Kim C., Kim C.K., Lall C., Margolis D.J.A., McRae S.E., Oto A., Parsons R.B., Patel N.U., Pinto P.A., Polascik T.J., Spilseth B., Starcevich J.B., Tammisetti V.S., Taneja S.S., Turkbey B., Verma S., Ward J.F., Warlick C.A., Wein-berger A.R., Yu J., Zagoria R.J., Rosenkrantz A.B. Variability of the Positive Predictive Value of PI-RADS for Prostate MRI across 26 Centers: Experience of the Society of Abdominal Radiology ProstateCancerDisease-focusedPanel. Radiology, 2020, vol.296, no.1, pp.76-84.

3. HarishV., MorgadoF., SternA.D., DasS. ArtificialIntelligenceandClinicalDecisionMaking: TheNewNature ofMedical Uncertainty. Acad. Med., 2021, vol.96, no.1, pp.31-36.

4. RevaS.A., ShaderkinI.A., ZiatchinI.V., PetrovS.B. Artificialintelligenceinoncourology.

Eksperimental'naiaiklinicheskaiaurologiia, 2021, vol.14, no.2, pp.46-51. (InRussian)

5. Wang J., Wu C.J., Bao M.L., Zhang J., Wang X.N., Zhang Y.D. Machine learning-based analysis ofMR radiomics can help to improve the diagnostic performance of PI-RADS v2 in clinically relevantprostatecancer. Eur. Radiol., 2017, vol.27, no.10, pp.4082-4090.

6. Alvarez-Jimenez C., Barrera C., Munera N., Viswanath S.E., Romero E. Differentiating Cancerous andNon-cancerousProstateTissueUsingMulti-scaleTextureAnalysisonMRI. Annu. Int. Conf.IEEEEng. Med. Biol. Soc., 2019, pp.2695-2698.

7. CuocoloR., StanzioneA., FalettiR., GattiM., CallerisG., FornariA., GentileF., MottaA., Dell'AversanaS., CretaM., LongoN., GonteroP., CirilloS., FonioP., ImbriacoM.MRIindexlesionradiomics and machine learning for detection of extraprostatic extension of disease: a multicenterstudy. Eur. Radiol., 2021, vol.31, no.10, pp.7575-7583.

8. GholizadehN., SimpsonJ., RamadanS., DenhamJ., LauP., SiddiqueS., DowlingJ., WelshJ., ChalupS., GreerP.B. Voxel-basedsupervisedmachinelearningofperipheralzoneprostatecancerusingnoncon-trast multiparametric MRI. J. Appl. Clin. Med. Phys., 2020, vol.21, no.10, pp.179-191.

9. Giannini V., Mazzetti S., Defeudis A., Stranieri G., Calandri M., Bollito E., Bosco M., Porpiglia F., Manfredi M., De Pascale A., Veltri A., Russo F., Regge D. A Fully Automatic Artificial IntelligenceSystemAbletoDetectandCharacterizeProstateCancerUsingMultiparametricMRI: MulticenterandMulti-ScannerValidation. Front. Oncol., 2021, vol.11, p. 718155.

10. Varghese B., Chen F., Hwang D., Palmer S.L., De Castro Abreu A.L., Ukimura O., Aron M., Aron M., GillI., DuddalwarV., PandeyG. Objectiveriskstratificationofprostatecancerusingmachinelearningandradiomicsappliedtomultiparametricmagneticresonanceimages. Sci. Reports, 2019, vol.9, no.1, pp.1-10.

11. Kwon D., Reis I.M., Breto A.L., Tschudi Y., Gautney N., Zavala-Romero O., Lopez C., Ford J.C., Pun-nenS., PollackA., StoyanovaR. ClassificationofsuspiciouslesionsonprostatemultiparametricMRIusingmachinelearning.J. Med. Imaging, 2018, vol.5, no.3, p. 034502.

12. Hectors S.J., Chen C., Chen J., Wang J., Gordon S., Yu M., Al Hussein Al Awamlh B., Sabuncu M.R., Margolis D.J.A., Hu J.C. Magnetic Resonance Imaging Radiomics-Based Machine Learning Predic-tion of Clinically Significant Prostate Cancer in Equivocal PI-RADS 3 Lesions. J. Magn. Reson. Imag-ing.2021, vol.54, no.5, pp.1466-1473.

13. ZhangL., ZheX., TangM., ZhangJ., RenJ., ZhangX., LiL. PredictingtheGradeofProstateCancerBasedonaBiparametricMRIRadiomicsSignature. ContrastMediaMolImaging, 2021,7830909.

14. LiuB., ChengJ., GuoD.J., HeX.J., LuoY.D., ZengY., LiC.M. Predictionofprostatecanceraggressiveness with a combination of radiomics and machine learning-based analysis of dynamiccontrast-enhancedMRI. Clin. Radiol., 2019, vol.74, no.11, pp.896.e1-896.e8.

15. Wu M., Krishna S., Thornhill R.E., Flood T.A., McInnes M.D.F., Schieda N. Transition zone prostatecancer: Logistic regression and machine-learning models of quantitative ADC, shape and texturefeaturesarehighlyaccuratefordiagnosis.J. Magn. Reson. Imaging, 2019, vol.50, no.3, pp.940-950.

16. Iyama Y., Nakaura T., Katahira K., Iyama A., Nagayama Y., Oda S., Utsunomiya D., Yamashita Y. Development and validation of a logistic regression model to distinguish transition zone cancersfrombenignprostatichyperplasiaonmulti-parametric prostateMRI. Eur. Radiol, 2017, vol.27, no.9, pp.3600-3608.

17. AkamineY., UedaY., UenoY., SofueK., MurakamiT., YoneyamaM., ObaraM., VanCauterenM. Application of hierarchical clustering to multi-parametric MR in prostate: Differentiation of tumorand normaltissuewith highaccuracy. Magn. Reson. Imaging, 2020, vol.74, pp.90-95.

18. LiuS., ZhengH., FengY., LiW. ProstateCancerDiagnosisusingDeepLearningwith3DMultiparametricMRI.arXiv:1703.04078.

19. StanzioneA., CuocoloR., CocozzaS., RomeoV., PersicoF., FuscoF., LongoN., BrunettiA., ImbriacoM. Detection of Extraprostatic Extension of Cancer on Biparametric MRI Combining Texture AnalysisandMachineLearning: PreliminaryResults. Acad. Radiol., 2019, vol.26, no.10, pp.1338-1344.

20. IshiokaJ., MatsuokaY., UeharaS., YasudaY., KijimaT., YoshidaS., YokoyamaM., SaitoK., KiharaK., NumaoN., KimuraT., KudoK., KumazawaI., FujiiY. Computer-aideddiagnosisofprostatecanceron magnetic resonance imaging using a convolutional neural network algorithm. B.J.U. Int., 2018, vol.122, no.3, pp.411-417.

21. ZabihollahyF., UkwattaE., KrishnaS., SchiedaN. Fullyautomatedlocalizationofprostateperipheralzone tumors on apparent diffusion coefficient map MR images using an ensemble learning method.J. Magn. Reson. Imaging, 2020, vol.51, no.4, pp.1223-1234.

22. Mehrtash A., Sedghi A., Ghafoorian M., Taghipour M., Tempany C.M., Wells W.M. 3rd, Kapur T., Mousavi P., Abolmaesumi P., Fedorov A. Classification of Clinical Significance of MRI ProstateFindings Using 3D Convolutional Neural Networks. Proc. SPIE Int. Soc. Opt. Eng., 2017, pp. 10134-101342A.

23. SahaA., HosseinzadehM., HuismanH. End-to-endprostatecancerdetectioninbpMRIvia3DCNNs: Effects of attention mechanisms, clinical priori and decoupled false positive reduction. Med. ImageAnal., 2021, vol.73, p. 102155.

24. ChenQ., HuS., LongP., LuF., ShiY., LiY.ATransferLearningApproachforMalignantProstateLesionDetectiononMultiparametricMRI. Technol. CancerRes. Treat., 2019, vol.18, p. 1533033819858363.

25. SobeckiP., JуџwiakR., SklindaK., PrzelaskowskiA. EffectofdomainknowledgeencodinginCNNmodelarchitecture-aprostatecancerstudyusingmpMRIimages. PeerJ, 2021, no.9, p.e11006.

26. Sanyal J., Banerjee I., Hahn L., Rubin D. An Automated Two-step Pipeline for Aggressive ProstateLesionDetectionfromMulti-parametricMRSequence.AMIAJ. SummitsTransl. Sci. Proc., 2020, pp.552-560.

27. BhattacharyaI., SeetharamanA., ShaoW., SoodR., KunderC.A., FanR.E., SoerensenS.J.C., WangJ.B., Ghanouni P., Teslovich N.C., Brooks J.D., Sonn G.A., Rusu M. CorrSigNet: Learning CORRelatedProstate Cancer SIGnatures from Radiology and Pathology Images for Improved Computer AidedDiagnosis. Lect. Notes Comput. Sci. (including Subser Lect Notes Artif Intell Lect Notes Bioinformatics), 2020,12262LNCS, pp.315-325.

28. YuX., LouB., ShiB., WinkelD., ArrahmaneN., DialloM., MengT., vonBuschH., GrimmR., KieferB., ComaniciuD., KamenA., HuismanH., RosenkrantzA., PenzkoferT., ShabuninI., YangQ., SzolarD. FalsePositiveReductionUsingMultiscaleContextualFeaturesforProstateCancerDetectioninMulti-ParametricMRIScans. Proc. - Int. Symp. Biomed. Imaging, 2020, pp.1355-1359.

29. Yoo S., Gujrathi I., Haider M.A., Khalvati F. Prostate Cancer Detection using Deep Convolutional NeuralNetworks. Sci. Reports, 2019, vol.9, no.1, pp.1-10.

30. Zhong X., Cao R., Shakeri S., Scalzo F., Lee Y., Enzmann D.R., Wu H.H., Raman S.S., Sung K. Deeptransfer learning-based prostate cancer classification using 3 Tesla multi-parametric MRI. Abdom. Radiol., 2019, vol.44, no.6, pp.2030-2039.

31. Khosravi P., Lysandrou M., Eljalby M., Li Q., Kazemi E., Zisimopoulos P., Sigaras A., Brendel M., BarnesJ., RickettsC., MeleshkoD., YatA., McClureT.D., RobinsonB.D., SbonerA., ElementoO., Chughtai B., Hajirasouliha I. A Deep Learning Approach to Diagnostic Classification of ProstateCancerUsingPathology-RadiologyFusion.J. Magn. Reson. Imaging, 2021, vol.54, no.2, pp.462-471.

32. Arif M., Schoots I.G., Castillo Tovar J., Bangma C.H., Krestin G.P., Roobol M.J., Niessen W., Veen-landJ.F. Clinicallysignificantprostatecancerdetectionandsegmentationinlow-riskpatientsusingaconvolutional neural network on multi-parametric MRI. Eur. Radiol., 2020, vol. 30, no. 12, pp. 6582 - 6592.

33. Wang Z., Liu C., Cheng D., Wang L., Yang X., Cheng K.T. Automated Detection of Clinically Signifi-cantProstateCancerinmp-MRIImagesBasedonanEnd-to-EndDeepNeuralNetwork.IEEETrans. Med. Imaging, 2018, vol.37, no.5, pp.1127-1139.

34. Abdelmaksoud I.R., Shalaby A., Mahmoud A., Elmogy M., Aboelfetouh A., Abou El-Ghar M., El-Me-legy M., Alghamdi N.S., El-Baz A. Precise Identification of Prostate Cancer from DWI Using TransferLearning. Sensors(Basel), 2021, vol.21, no.11, p. 3664.

35. Aldoj N., Lukas S., Dewey M., Penzkofer T. Semi-automatic classification of prostate cancer on multi-parametric MR imaging using a multi-channel 3D convolutional neural network. Eur. Radiol., 2020, vol.30, no.2, pp.1243-1253.

36. Song Y., Zhang Y.D., Yan X., Liu H., Zhou M., Hu B., Yang G. Computer-aided diagnosis of prostatecancer using a deep convolutional neural network from multiparametric MRI. J. Magn. Reson. Imag-ing, 2018, vol.48, no.6, pp.1570-1577.

37. Pellicer-ValeroO.J., MarencoJimйnezJ.L., Gonzalez-PerezV., CasanovaRamуn-BorjaJ.L., Mar-tнn Garcнa I., Barrios Benito M., Pelechano Gуmez P., Rubio-Briones J., Rupйrez M.J., Martнn-Guer-rero J.D. Deep learning for fully automatic detection, segmentation, and Gleason grade estimation ofprostatecancerinmultiparametricmagneticresonanceimages. Sci. Rep., 2022, vol.12, no.1, p. 2975.

38. XuH., BaxterJ.S.H., AkinO., Cantor-RiveraD. Prostatecancerdetectionusingresidualnetworks. Int.

J. Comput. Assist. Radiol. Surg., 2019, vol.14, no.10, pp.1647-1650.

39. Brunese L., Mercaldo F., Reginelli A., Santone A. Radiomics for Gleason Score Detection throughDeepLearning. Sensors(Basel), 2020, vol.20, no.18, p. 5411.

40. CaoR., MohammadianBajgiranA., AfshariMirakS., ShakeriS., ZhongX., EnzmannD., RamanS., SungK. JointProstateCancerDetectionandGleasonScorePredictioninmp-MRIviaFocalNet.IEEETrans. Med. Imaging, 2019, vol.38, no.11, pp.2496-2506.

41. Hou Y., Zhang Y.H., Bao J., YangG., Shi H.-B., Song Y., Yu-Dong Zhang Y.-D. Artificial intelligenceisapromisingprospectforthedetectionofprostatecancerextracapsularextensionwithmpMRI:atwo-centercomparativestudy. Eur.J. Nucl. Med. Mol. Imaging, 2021, vol.48, no.12, pp.3805-3816.

42. ZongW., LeeJ.K., LiuC., CarverE.N., FeldmanA.M., JanicB., ElshaikhM.A., PantelicM.V., Hearsh-en D., Chetty I.J., Movsas B., Wen N. A Deep Dive into Understanding Tumor Foci Classificationusing MultiparametricMRIBased onConvolutional Neural Network. Med. Phys., 2019, vol.47, no.9, pp.4077-4086.

43. Somov A.N., Suslin S.A. Prostate cancer. Epidemiology, risk factors and early detection. Profilaktich-eskayameditsina, 2020, vol.23, no.3, pp.149-155. (InRussian)

44. Schelb P., Kohl S., Radtke J.P., Wiesenfarth M., Kickingereder P., Bickelhaupt S., Kuder T.A., Stenz-ingerA., HohenfellnerM., SchlemmerH.P., Maier-HeinK.H., BonekampD. ClassificationofCancerat Prostate MRI: Deep Learning versus Clinical PI-RADS Assessment. Radiology, 2019, vol. 293, no. 3, pp.607-617.

45. YounS.Y., ChoiM.H., KimD.H., LeeY.J., HuismanH., JohnsonE., PenzkoferT., ShabuninI., Winkel

D.J., Xing P., Szolar D., Grimm R., von Busch H., Son Y., Lou B., Kamen A. Detection and PI-RADSclassification of focal lesions in prostate MRI: Performance comparison between a deep learning-based algorithm (DLA) and radiologists with various levels of experience. Eur. J. Radiol., 2021, vol. 142, p. 109894.

46. Sanford T., Harmon S.A., Turkbey E.B., Kesani D., Tuncer S., Madariaga M., Yang C., Sackett J., Meh-ralivandS., YanP., XuS., WoodB.J., MerinoM.J., PintoP.A., ChoykeP.L., TurkbeyB. Deep-Learning-BasedArtificialIntelligenceforPI-RADSClassificationtoAssistMultiparametricProstateMRIInter-pretation: A Development Study.J. Magn. Reson. Imaging, 2020, vol.52, no.5, pp.1499-1507.

47. Le M.H., Chen J., Wang L., Wang Z., Liu W., Cheng K.T., Yang X. Automated diagnosis of prostatecancer in multi-parametric MRI based on multimodal convolutional neural networks. Phys. Med. Biol., 2017, vol.62, no.16, pp.6497-6514.

48. Hao R., Namdar K., Liu L., Haider M.A., Khalvati F. A Comprehensive Study of Data AugmentationStrategiesforProstateCancerDetectioninDiffusion-weightedMRIusingConvolutionalNeuralNet-works.J. Digit. Imaging, 2020, vol.34, no.4, pp.862-876.

49. Castillo T.J.M., Arif M., Starmans M.P.A., Niessen W.J., Bangma C.H., Schoots I.G., Veenland J.F. ClassificationofClinicallySignificantProstateCanceronMulti-ParametricMRI:AValidationStudyComparing DeepLearning andRadiomics. Cancers(Basel), 2021, vol.14, no.1, p. 12.

50. Bonekamp D., Kohl S., Wiesenfarth M., Schelb P., Radtke J.P., Gцtz M., Kickingereder P., Yaqubi K., Hitthaler B., Gдhlert N., Kuder T.A., Deister F., Freitag M., Hohenfellner M., Hadaschik B.A., Schlem-mer H.P., Maier-Hein K.H. Radiomic machine learning for characterization of prostate lesions withMRI: Comparison toADC values. Radiology, 2018, vol.289, no.1, pp.128-137.

51. MeyerH.J., WienkeA., SurovA. Discriminationbetweenclinicalsignificantandinsignificantprostatecancer with apparent diffusion coefficient - a systematic review and meta analysis. BMC Cancer, 2020, vol.20, no.1, p. 482.

52. Algohary A., Shiradkar R., Pahwa S., Purysko A., Verma S., Moses D., Shnier R., Haynes A.M., Del-prado W., Thompson J., Tirumani S., Mahran A., Rastinehad A.R., Ponsky L., Stricker P.D., Madab - hushi A. Combination of Peri-Tumoral and Intra-Tumoral Radiomic Features on Bi-Parametric MRIAccuratelyStratifiesProstateCancerRisk:AMulti-SiteStudy. Cancers(Basel), 2020, vol.12, no.8, p. 2200.

Размещено на Allbest.ru

...