Диагностическая точность искусственного интеллекта для скрининга рака предстательной железы при бипараметрической магнитно-резонансной томографии: систематический обзор

Обложка
  • Авторы: Крючкова О.В.1, Щепкина Е.В.2,3,4, Рубцова Н.А.5, Алексеев Б.Я.5, Кузнецов А.И.6, Епифанова С.В.1,3, Заря Е.В.1, Талышинский А.Э.7
  • Учреждения:
    1. Центральная клиническая больница с поликлиникой Управления делами Президента Российской Федерации
    2. Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации
    3. Научно-практический клинический центр диагностики и телемедицинских технологий
    4. Редакция журнала «Педиатрия» имени Г.Н. Сперанского
    5. Московский научно-исследовательский онкологический институт имени П.А. Герцена — филиал ФГБУ Национального медицинского исследовательского центра Радиологии
    6. Московский авиационный институт
    7. Санкт-Петербургский государственный университет
  • Выпуск: Том 5, № 3 (2024)
  • Страницы: 534-550
  • Раздел: Систематические обзоры
  • URL: https://ogarev-online.ru/DD/article/view/310036
  • DOI: https://doi.org/10.17816/DD626643
  • ID: 310036

Цитировать

Полный текст

Аннотация

Обоснование. По последним опубликованным данным, в 2021 г. в России зарегистрировано 40 137 новых случаев рака предстательной железы, что ставит его на второе место среди онкологических заболеваний в мужской популяции после рака лёгкого.

Таким образом, рак предстательной железы является одним из наиболее распространённых злокачественных новообразований у мужчин. В этих условиях точное и своевременное выявление рака предстательной железы приобретает особую важность.

Цель настоящего систематического обзора с метаанализом — оценка качества прогностических моделей, построенных для выявления рака предстательной железы при первичном обращении.

Материалы и методы. Систематический поиск публикаций проводили в специализированных поисковых системах научной информации eLibrary.ru, PubMed, Google Scholar, Web of Science и ResearchGate с использованием установленных методов в соответствии с протоколом PRISMA. Для анализа отбирали статьи, опубликованные в период с января 2019 г. по сентябрь 2023 г. Два автора независимо отбирали публикации в соответствии с критериями включения и исключения.

Результаты. Этот систематический обзор с метаанализом включает 21 исследование. В общей сложности в них участвовало 3630 пациентов, из них 47% пациентов с раком предстательной железы и 53% с доброкачественными образованиями предстательной железы. Возраст пациентов в среднем составил 67,1 года (в диапазоне от 36 до 90 лет). Из всех исследований, в 81% случаев использовался протокол Т2-взвешенных изображений, в 57% — диффузионно-взвешенных изображений, и в 76% — измеряемых коэффициентов диффузии. Кроме того, 43% исследований изучали образования в переходной зоне, 33% — в периферической зоне предстательной железы. В 52% случаев авторы проводили исследование в целом по органу, без разделения на зоны. Анализ показал, что наиболее часто исследователи используют следующие алгоритмы машинного обучения: MLR (Multiple Logistic Regression) — 76%, SVM (Support Vector Machine) — 38%, и RF (Random Forest) — 24%. По данным проведённого метаанализа оценки ROC-AUC в 73 прогностических моделях, описанных в изученных нами публикациях, с использованием метода случайных эффектов, было получено итоговое значение ROC-AUC 0,793 (95% CI; 0,768–0,818), I2=86,71%, p <0,001. Модели, построенные на последовательностях Т2-взвешенных изображений + измеряемых коэффициентов диффузии (ROC-AUC 0,860 95%CI 0,813–0,907), а также модели, построенные по принципу «белый ящик» (ROC-AUC 0.834 95%CI 0.806–0.861), оказались наиболее точными, по сравнению с построенными по принципу «чёрный ящик» (ROC-AUC 0,733 95%CI 0,695–0,771). Модели, использующие радиомические и клинические признаки, были несколько точнее, чем построенные исключительно на радиомических признаках: ROC-AUC 0,869 (95%CI 0,844–0,895) против 0,779 (95%CI 0,751–0,807). Точность моделей практически не различалась по зоне исследования (переходная или периферическая).

Заключение. Результаты многообещающие, но клиническая применимость по-прежнему требует более тщательной проверки со стороны экспертов в медицинских учреждениях и оценки эффективности в проспективных исследованиях.

Об авторах

Оксана Валентиновна Крючкова

Центральная клиническая больница с поликлиникой Управления делами Президента Российской Федерации

Email: ovk16@bk.ru
ORCID iD: 0000-0001-6483-2074
SPIN-код: 2445-3370

канд. мед. наук

Россия, Москва

Елена Викторовна Щепкина

Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации; Научно-практический клинический центр диагностики и телемедицинских технологий; Редакция журнала «Педиатрия» имени Г.Н. Сперанского

Автор, ответственный за переписку.
Email: elenaschepkina@gmail.com
ORCID iD: 0000-0002-2079-1482
SPIN-код: 2347-9436
Scopus Author ID: 57211515165
ResearcherId: IAR-4060-2023

канд. социол. наук

Россия, Москва; Москва; Москва

Наталья Алефтиновна Рубцова

Московский научно-исследовательский онкологический институт имени П.А. Герцена — филиал ФГБУ Национального медицинского исследовательского центра Радиологии

Email: rna17@ya.ru
ORCID iD: 0000-0001-8378-4338
SPIN-код: 9712-9091

д-р мед. наук

Россия, Москва

Борис Яковлевич Алексеев

Московский научно-исследовательский онкологический институт имени П.А. Герцена — филиал ФГБУ Национального медицинского исследовательского центра Радиологии

Email: byalekseev@mail.ru
ORCID iD: 0000-0002-3398-4128
SPIN-код: 4692-5705

д-р мед. наук

Россия, Москва

Антон Игоревич Кузнецов

Московский авиационный институт

Email: drednout5786@yandex.ru
ORCID iD: 0000-0003-2182-5792
SPIN-код: 8824-9080
Россия, Москва

Светлана Викторовна Епифанова

Центральная клиническая больница с поликлиникой Управления делами Президента Российской Федерации; Научно-практический клинический центр диагностики и телемедицинских технологий

Email: svepifanova@yandex.ru
ORCID iD: 0000-0002-7591-5120
SPIN-код: 9067-5033

канд. мед. наук

Россия, Москва; Москва

Елена Владимировна Заря

Центральная клиническая больница с поликлиникой Управления делами Президента Российской Федерации

Email: zaryya@yandex.ru
ORCID iD: 0009-0001-4444-8881
SPIN-код: 9800-8219
Россия, Москва

Али Эльманович Талышинский

Санкт-Петербургский государственный университет

Email: ali-ma@mail.ru
ORCID iD: 0000-0002-3521-8937
SPIN-код: 7747-0117

д-р мед. наук

Россия, Санкт-Петербург

Список литературы

  1. Mottet N., van den Bergh R.C.N., Briers E., et al. EAU-EANM-ESTRO-ESUR-SIOG Guidelines on Prostate Cancer–2020 Update. Part 1: Screening, Diagnosis, and Local Treatment with Curative Intent // European Urology. 2021. Vol. 79, N 2. P. 243–262. doi: 10.1016/j.eururo.2020.09.042
  2. Здравоохранение в России. 2021 : статистический сборник. Москва : Росстат, 2021.
  3. Verma S., Rajesh A. A Clinically Relevant Approach to Imaging Prostate Cancer: review // American Journal of Roentgenology. 2011. Vol. 196, Suppl. 3. P. S1–10 Quiz S11–4. doi: 10.2214/AJR.09.7196
  4. Girometti R., Giannarini G., Panebianco V., et al. Comparison of different thresholds of PSA density for risk stratification of PI-RADSv2.1 categories on prostate MRI // The British Journal of Radiology. 2022. Vol. 95, N 1131. P. 20210886. doi: 10.1259/bjr.20210886
  5. Niaf E., Lartizien C., Bratan F., et al. Prostate Focal Peripheral Zone Lesions: Characterization at Multiparametric MR Imaging–Influence of a Computer-aided Diagnosis System // Radiology. 2014. Vol. 271, N 3. P. 761–769. doi: 10.1148/radiol.14130448
  6. Drost F.-J.H., Osses D.F., Nieboer D., et al. Prostate MRI, with or without MRI-targeted biopsy, and systematic biopsy for detecting prostate cancer // Cochrane Database of Systematic Reviews. 2019. Vol. 4, N 4. P. CD012663. doi: 10.1002/14651858.CD012663.pub2
  7. Goldenberg S.L., Nir G., Salcudean S.E. A new era: artificial intelligence and machine learning in prostate cancer // Nature Reviews Urology. 2019. Vol. 16, N 7. P. 391–403. doi: 10.1038/s41585-019-0193-3
  8. Cuocolo R., Cipullo M.B., Stanzione A., et al. Machine learning applications in prostate cancer magnetic resonance imaging // European Radiology Experimental. 2019. Vol. 3, N 1. P. 35. doi: 10.1186/s41747-019-0109-2
  9. Ghezzo S., Bezzi C., Presotto L., et al. State of the art of radiomic analysis in the clinical management of prostate cancer: A systematic review // Critical Reviews in Oncology/Hematology. 2022. Vol. 169. P. 103544. doi: 10.1016/j.critrevonc.2021.103544
  10. Гележе П.Б., Блохин И.А., Семенов С.С., Caruso D. Радиомика магнитно-резонансной томографии при раке предстательной железы: что известно в настоящее время? // Digital Diagnostics. 2021. Т. 2, №4. C. 441–452. doi: 10.17816/DD70170
  11. Ferro M., de Cobelli O., Vartolomei M.D., et al. Prostate Cancer Radiogenomics–From Imaging to Molecular Characterization // International Journal of Molecular Sciences. 2021. Vol. 22, N 18. P. 9971. doi: 10.3390/ijms22189971
  12. Steyerberg E.W., Vickers A.J., Cook N.R., et al. Assessing the Performance of Prediction Models // Epidemiology. 2010. Vol. 21, N 1. P. 128–138. doi: 10.1097/EDE.0b013e3181c30fb2
  13. Higgins J.P.T., Green S., editors. The Cochrane Collaboration. Cochrane Handbook for Systematic Reviews of Interventions [Internet]. England : John Wiley & Sons Ltd. Дата обращения: 19.03.2020. Режим доступа: https://training.cochrane.org/handbook
  14. Higgins J.P.T., Thompson S.G., Deeks J.J., Altman D.G. Measuring inconsistency in meta-analyses // BMJ. 2003. Vol. 327, N 7414. P. 557–560. doi: 10.1136/bmj.327.7414.557
  15. DerSimonian R., Laird N. Meta-analysis in clinical trials // Controlled Clinical Trials. 1986. Vol. 7, N 3. P. 177–188. doi: 10.1016/0197-2456(86)90046-2
  16. Woźnicki P., Westhoff N., Huber T., et al. Multiparametric MRI for Prostate Cancer Characterization: Combined Use of Radiomics Model with PI-RADS and Clinical Parameters // Cancers (Basel). 2020. Vol. 12, N 7. P. 1767. doi: 10.3390/cancers12071767
  17. Li M., Yang L., Yue Y., et al. Use of Radiomics to Improve Diagnostic Performance of PI-RADS v2.1 in Prostate Cancer // Frontiers in Oncology. 2021. Vol. 10. P. 631831. doi: 10.3389/fonc.2020.631831
  18. Gui S., Lan M., Wang C., et al. Application Value of Radiomic Nomogram in the Differential Diagnosis of Prostate Cancer and Hyperplasia // Frontiers in Oncology. 2022. Vol. 12. P. 859625. doi: 10.3389/fonc.2022.859625
  19. Lu Y., Li B., Huang H., et al. Biparametric MRI-based radiomics classifiers for the detection of prostate cancer in patients with PSA serum levels of 4~10 ng/mL // Frontiers in Oncology. 2022. Vol. 12. P. 1020317. doi: 10.3389/fonc.2022.1020317
  20. Zhou B., Liu X., Gan H., et al. Differentiation of Prostate Cancer and Stromal Hyperplasia in the Transition Zone With Monoexponential, Stretched-Exponential Diffusion-Weighted Imaging and Diffusion Kurtosis Imaging in a Reduced Number of b Values: Correlation With Whole-Mount Pathology // Journal of Computer Assisted Tomography. 2022. Vol. 46, N 4. P. 545–550. doi: 10.1097/RCT.0000000000001314
  21. Wu M., Krishna S., Thornhill R.E., et al. Transition zone prostate cancer: Logistic regression and machine-learning models of quantitative ADC, shape and texture features are highly accurate for diagnosis // Journal of Magnetic Resonance Imaging. 2019. Vol. 50, N 3. P. 940–950. doi: 10.1002/jmri.26674
  22. Zhong J.-G., Shi L., Liu J., et al. Predicting prostate cancer in men with PSA levels of 4–10 ng/mL: MRI-based radiomics can help junior radiologists improve the diagnostic performance // Scientific reports. 2023. Vol. 13, N 1. P. 4846. doi: 10.1038/s41598-023-31869-1
  23. Ou Y.C., Chang K.H., Tung M.C., et al. Building a Nomogram for Prediction of Prostate Cancer in Patients With Preoperatively Suspected Prostate Cancer // Anticancer Research. 2020. Vol. 40, N 5. P. 2995–3002. doi: 10.21873/anticanres.14280
  24. McGarry S.D., Bukowy J.D., Iczkowski K.A., et al. Gleason Probability Maps: A Radiomics Tool for Mapping Prostate Cancer Likelihood in MRI Space // Tomography. 2019. Vol. 5, N 1. P. 127–134. doi: 10.18383/j.tom.2018.00033
  25. Hu L. Zhou D.W., Fu C.X., et al. Advanced zoomed diffusion-weighted imaging vs. full-field-of-view diffusion-weighted imaging in prostate cancer detection: a radiomic features study // European radiology. 2021. Vol. 31, N 3. P. 1760–1769. doi: 10.1007/s00330-020-07227-4
  26. Ji X., Zhang J., Shi W., et al. Bi-parametric magnetic resonance imaging based radiomics for the identification of benign and malignant prostate lesions: cross-vendor validation // Physical and Engineering Sciences in Medicine. 2021. Vol. 44, N 3. P. 745–754. doi: 10.1007/s13246-021-01022-1
  27. Jin P., Shen J., Yang L., et al. Machine learning-based radiomics model to predict benign and malignant PI-RADS v2.1 category 3 lesions: a retrospective multi-center study // BMC Medical Imaging. 2023. Vol. 23, N 1. P. 47. doi: 10.1186/s12880-023-01002-9
  28. Li S., Zheng T., Fan Z., et al. A dynamic-static combination model based on radiomics features for prostate cancer using multiparametric MRI // Physics in Medicine & Biology. 2023. Vol. 68, N 1. P. 015008. doi: 10.1088/1361-6560/aca954
  29. Ayyad S.M., Badawy M.A., Shehata M., et al. A New Framework for Precise Identification of Prostatic Adenocarcinoma // Sensors. 2022. Vol. 22, N 5. P. 1848. doi: 10.3390/s22051848
  30. Han L., He G., Mei Y., et al. Combining Magnetic Resonance Diffusion-Weighted Imaging with Prostate-Specific Antigen to Differentiate Between Malignant and Benign Prostate Lesions // Medical Science Monitor. 2022. Vol. 28. P. e935307. doi: 10.12659/MSM.935307
  31. Chen T., Li M., Gu Y., et al. Prostate Cancer Differentiation and Aggressiveness: Assessment With a Radiomic-Based Model vs. PI-RADS v2 // Journal of Magnetic Resonance Imaging. 2019. Vol. 49, N 3. P. 875–884. doi: 10.1002/jmri.26243
  32. He D., Wang X., Fu C., et al. MRI-based radiomics models to assess prostate cancer, extracapsular extension and positive surgical margins // Cancer Imaging. 2021. Vol. 21, N 1. P. 46. doi: 10.1186/s40644-021-00414-6
  33. Jamshidi G., Abbasian Ardakani A., Ghafoori M., et al. Radiomics-based machine-learning method to diagnose prostate cancer using mp-MRI: a comparison between conventional and fused models // Magnetic Resonance Materials in Physics, Biology and Medicine. 2022. Vol. 36, N 1. P. 55–64. doi: 10.1007/s10334-022-01037-z
  34. Aussavavirojekul P., Hoonlor A., Srinualnad S. Optimization of clinical risk-factor interpretation and radiological findings with machine learning for PIRADS category 3 patients // Prostate. 2022. Vol. 82, N 2. P. 235–244. doi: 10.1002/pros.24266
  35. Giambelluca D., Cannella R., Vernuccio F., et al. PI-RADS 3 Lesions: Role of Prostate MRI Texture Analysis in the Identification of Prostate Cancer // Current Problems in Diagnostic Radiology. 2021. Vol. 50, N 2. P. 175–185. doi: 10.1067/j.cpradiol.2019.10.009
  36. Viswanath S.E., Chirra P.V., Yim M.C., et al. Comparing radiomic classifiers and classifier ensembles for detection of peripheral zone prostate tumors on T2-weighted MRI: a multi-site study // BMC Medical Imaging. 2019. Vol. 19, N 1. P. 22. doi: 10.1186/s12880-019-0308-6
  37. Chawla N.V., Bowyer K.W., Hall L.O., Kegelmeyer W.P. SMOTE: Synthetic Minority Over-sampling Technique // Journal of Artificial Intelligence Research. 2002. Vol. 16, N 1. P. 321–357.
  38. Dai J.C., Morgan T.N., Goueli R., et al. MRI Features Associated with Histology of Benign Prostatic Hyperplasia Nodules: Generation of a Predictive Model // Journal of Endourology. 2022. Vol. 36, N 3. P. 381–386. doi: 10.1089/end.2021.0397
  39. Liu J., Dong B., Qu W., et al. Using clinical parameters to predict prostate cancer and reduce the unnecessary biopsy among patients with PSA in the gray zone // Scientific reports. 2020. Vol. 10, N 1. P. 5157. doi: 10.1038/s41598-020-62015-w
  40. Zhang L., Tang M., Chen S., et al. A meta-analysis of use of Prostate Imaging Reporting and Data System Version 2 (PI-RADS V2) with multiparametric MR imaging for the detection of prostate cancer // European radiology. 2017. Vol. 27, N 12. P. 5204–5214. doi: 10.1007/s00330-017-4843-7
  41. Zhen L., Liu X., Yegang C., et al. Accuracy of multiparametric magnetic resonance imaging for diagnosing prostate Cancer: a systematic review and meta-analysis // BMC Cancer. 2019. Vol. 19, N 1. P. 1244. doi: 10.1186/s12885-019-6434-2

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Блок-схема процесса обзора публикаций и отбора исследований. РПЖ — рак предстательной железы; МО — машинное обучение; МРТ — магнитно-резонансная томография; DCE (Dynamic Contrast Enhanced) — динамическое контрастное усиление; ROC-AUC — площадь под ROC-кривой.

Скачать (329KB)
Метаданные
3. Рис. 2. Доля использованных алгоритмов машинного обучения в исследованиях. MLR — Multiple Logistic Regression; SVM — Support Vector Machine; RF — Random Forest; LDA — Linear Discriminant Analysis; DT — Decision Tree; NB — Naive Bayesian; KNN — K Nearest Neighbors; CNN — Convolutional Neural Network; XGB — eXtreme Gradient Boosting; QAD — Quadratic Discriminant Analysis.

Скачать (108KB)
Метаданные
4. Рис. 3. Блобограмма отдельных прогностических моделей для объединённой площади под кривой (ROC-AUC) и 95% доверительный интервал характеристики рака предстательной железы. Горизонтальные линии представляют 95% доверительный интервал точечных оценок. Каждый сплошной прямоугольник представляет значение ROC-AUC отдельных моделей, а размер прямоугольника указывает на вес исследования. Ромб означает объединённое значение ROC-AUC всех 73 моделей в 21 исследовании. Пунктирная линия обозначает среднее значение ROC-AUC. TZ — переходная зона; PZ — периферическая зона, PZ-TZ — периферическая и переходная зоны.

Скачать (1MB)
Метаданные
5. Рис. 4. Блобограмма отдельных прогностических моделей для объединённой площади под кривой (ROC-AUC) и 95% доверительный интервал характеристики рака предстательной железы. Горизонтальные линии представляют 95% доверительный интервал точечных оценок. Каждый сплошной прямоугольник представляет значение ROC-AUC отдельных моделей, а размер прямоугольника указывает на вес исследования. Ромб означает объединённое значение ROC-AUC всех 73 моделей в 21 исследовании. Пунктирная линия обозначает среднее значение ROC-AUC. TZ — переходная зона; PZ — периферическая зона, PZ-TZ 0151 периферическая и переходная зоны. T2WI — Т2-взвешенные изображения, DWI — диффузионно-взвешенные изображения, ADC — измеряемые коэффициенты диффузии.

Скачать (871KB)
Метаданные

© Эко-вектор, 2024

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».