Автоматизация задачи прогнозирования рецидива рака шейки матки с помощью условной порождающей состязательной сети

В данной статье представлена интеллектуальная модель на базе условной порождающей (генеративной) состязательной сети Pix2Pix, которая позволяет выполнить автоматизацию процесса прогнозирования повторного возникновения злокачественной опухоли шейки матки у пациенток, которые ещё не перенесли операционное вмешательство. В качестве исходных данных реализованная модель принимает снимок магнитно-резонансной томографии органов малого таза, предоставляя на выходе вероятность возникновения рецидива опухоли и сгенерированный снимок на перспективу «после проведения операции». Представленная модель отличается от своего базового аналога видоизмененной под условия задачи функцией потерь и заменой генератора по умолчанию на сверточную нейронную сеть U-Net. Поскольку сформулированная задача принадлежит к классу задач медицинской диагностики, наличие ложноотрицательных срабатываний интеллектуальной модели было сведено к нулю путём незначительного повышения числа ошибок, носящих ложноположительный характер. В процессе сравнительного анализа прогнозных и реальных послеоперационных снимков экспериментально доказано, что моделью не только достаточно точно прогнозируется рецидив заболевания, но и практически идентично генерируются центры очагов опухолей и их относительные площади на снимке магнитно-резонансной томографии. Целесообразность внесения изменений в базовую версию Pix2Pix подтверждена сопоставлением результатов функционирования двух моделей по общим метрикам качества – точности, полноты и их среднему гармоническому. Разработанная модификация позволяет получать прогнозные данные за кратчайшее время, что позволяет использовать её в режиме реального времени.

1. Globocan 2018: Estimated cancer incidence, mortality and prevalence worldwide in November 2018 [Internet]. URL: http://globocan.iarc.fr

2. Каприн А. Д., Старинский В. В., Шахзадовой А. О. Злокачественные новообразования в России в 2020 г. (заболеваемость и смертность). Москва, Московский научно-исследовательский онкологический институт им. П.А. Герцена – филиал ФГБУ «Национальный медицинский исследовательский центр радиологии» Минздрава России, 2021, 252 с. / Caprin A. D., Starinsky V. V., Shakhzadova A. O. Malignant neoplasms in Russia in 2020 (morbidity and mortality). Moscow, Moscow Research Oncological Institute named after P.A. Herzen. P.A. Herzen - branch of FGBU "National Medical Research Centre of Radiology" of the Ministry of Health of Russia, 2021, 252 p. (In Russian).

3. Тучинов Б.Н., Суворов В., Моторин К.О., Павловский Е.Н., Василькив Л.М., Станкевич Ю.А., Тулупов А.А. Применение алгоритма компьютерного зрения для определения очагов демиелинизации при рассеянном склерозе на МРТ-изображениях. Сибирский научный медицинский журнал. 2024;44(1):107-115. DOI: 10.18699/SSMJ20240111 / Tuchinov B.N., Suvorov V., Motorin K.O., Pavlovsky E.N., Vasilkiv L.M., Stankevich Yu.A., Tulupov A.A. Application of a computer vision algorithm to identify foci of demyelination in multiple sclerosis on MRI images. Сибирский научный медицинский журнал. 2024;44(1):107-115. (In Russian). DOI: 10.18699/SSMJ20240111

4. Агафонова Ю. Д., Гайдель А. В., Зельтер П. М., Капишников А. В. Эффективность алгоритмов машинного обучения и свёрточной нейронной сети для обнаружения патологических изменений на магнитно-резонансных томограммах головного мозга. Самара, ФНИЦ «Кристаллография и Фотоника» РАН, Компьютерная оптика, 2020, Т. 44, № 2, С. 266-273. DOI: 10.18287/2412-6179-CO-671. / Agafonova Y. D., Gaidel A. V., Zelter P. M., Kapishnikov A. V. Effectiveness of machine learning algorithms and convolutional neural network for detection of pathological changes on brain magnetic resonance tomograms. V. Effectiveness of machine learning algorithms and convolutional neural network for detection of pathological changes on magnetic resonance tomograms of the brain. Samara, FNIC "Crystallography and Photonics" RAS, Computer Optics, 2020, Vol. 44, No. 2, P. 266-273. (in Russian). DOI: 10.18287/2412-6179-CO-671.

5. Rumala D. J. How You Split Matters: Data Leakage and Subject Characteristics Studies in Longitudinal Brain MRI Analysis. CLIP EPIMI FAIMI 2023 2023 2023. Lecture Notes in Computer Science, vol 14242. Springer, Cham., 235-245 pp. DOI: 10.1007/978-3-031-45249-9_23.

6. Zhu Y., Zhou Z., Liao G., Yang Q., Yuan K. The Method of Multimodal MRI Brain Image Segmentation Based on Differential Geometric Features. arXiv: 1811.04281. 2018. URL: https://arxiv.org/abs/1811.04281

7. Теплякова А. Р., Старков С. О. Применение компьютерного зрения для диагностики нозологических единиц по медицинским снимкам. Барнаул, Южно-Сибирский научный вестник, 2022, № 4(44), С. 134-148. DOI: 10.25699/SSSB.2022.44.4.004. / Teplyakova A. R., Starkov S. О. Application of computer vision for diagnostics of nosological units on medical images. Barnaul, South Siberian Scientific Bulletin, 2022, No. 4(44), P. 134-148. (in Russian). DOI: 10.25699/SSSB.2022.44.4.004.

8. Zalevskyi V., Sanchez T., Roulet M., Verddera J. A., Hutter J., Kebiri H., Cuadra M. B. Improving cross-domain brain tissue segmentation in fetal MRI with synthetic data. arXiv: 2403.15103. 2024. URL:https://arxiv.org/abs/2403.15103

9. Филиппенко Е. В., Жолдыбай Ж. Ж. Возможности магнитно-резонансной томографии в диагностике ретинобластомы. Алматы, Казахский научно-исследовательский институт онкологии и радиологии, Онкология и радиология Казахстана, 2018, № 4(50), С. 47-49. / Filippenko E. V., Zholdybay J. J. Possibilities of magnetic resonance imaging in the diagnosis of retinoblastoma. Almaty, Kazakh Research Institute of Oncology and Radiology, Oncology and Radiology of Kazakhstan, 2018, No. 4(50), P. 47-49. (in Russian).

10. Исмаилова М. Х., Ибрагимова Ш. У., Хайдарова Г. Б. Компьютерная и магнитно-резонансная томография в диагностике рака поджелудочной железы. London, European research: innovation in science, education and technology: Collection of scientific articles ХLV International scientific and practical conference, 2018, С. 55-57. / Ismailova M. H., Ibragimova Sh. U., Haidarova G. B. Computer and magnetic resonance imaging in the diagnosis of pancreatic cancer. London, European research: innovation in science, education and technology: Collection of scientific articles XLV International scientific and practical conference, 2018, P. 55-57. (in Russian).

11. Солопова А. Е., Носова Ю. В., Бендженова Б. Б. Магнитно-резонансная томография при раке шейки матки: современные возможности радиомного анализа и перспективы развития методики. Акушерство, Гинекология и Репродукция. 2023;17(4):500-511. DOI: 10.17749/2313-7347/ob.gyn.rep.2023.440 / Solopova A. E., Nosova J. V., Bendzhenova B. B. Magnetic resonance imaging in cervical cancer: current opportunities of radiomics analysis and prospects for its further developmen. Obstetrics, Gynecology and Reproduction. 2023;17(4):500-511. (In Russian). DOI: 10.17749/2313-7347/ob.gyn.rep.2023.440.

12. Тарачкова Е. В., Стрельцова О. Н., Панов О. В., Базаева И. Я., Тюрин И. Е. Мультипараметрическая магнитно-резонансная томография в диагностике рака шейки матки. Вестник рентгенологии и радиологии. 2015;(6):43-55. DOI: 10.20862/0042-4676-2015-0-6-43-55 / Tarachkova E. V., Strel’tsova O. N., Panov V. O., Bazaeva I. Ya., Tyurin I. E. Multiparameter magnetic resonance imaging in the diagnosis of cancer of the cervix uteri. Journal of radiology and nuclear medicine. 2015;(6):43-55. (In Russian). DOI: 10.20862/0042-4676-2015-0-6-43-55.

13. Isola P., Zhou T. et al. Image-to-Image Translation with Conditional Adversarial Networks. In IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017, 15 p. DOI: 10.1109/CVPR.2017.632.

14. Chen L.-C., Papandreou G., Kokkinos I., Murphy K., and Yuille A. L. Semantic image segmentation with deep convolutional nets and fully connected crfs. In ICLR, 2015. DOI: 10.1109/TPAMI.2017.2699184.

15. Mehdi M., Simon O. Conditional Generative Adversarial Nets. arXiv:1411.1784. 2014. URL: http://arxiv.org/abs/1411.1784

16. Diederik P. Kingma B. and Jimmy B. Adam: A Method for Stochastic Optimization. arXiv:1412.6980. 2017. URL: https://arxiv.org/abs/1412.6980

17. Wang T.-C., Liu M.-Y., Zhu J.-Y., Tao A., Kautz J., et al. High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs. In Proc. IEEE CVPR. Salt Lake City, UT, USA, June 2018, pp. 8798–8807. DOI: 10.1109/CVPR.2018.00917.