Какую позицию мы занимаем в области искусственного интеллекта для анализа эндоскопических изображений? Расшифровка пробелов и будущих направлений

npj Digital Medicine, том 5, Номер статьи: 184 (2022) Цитировать эту статью

4577 Доступов

15 Альтметрика

Подробности о метриках

Недавние разработки в области глубокого обучения позволили разработать алгоритмы, управляемые данными, которые могут достичь производительности человеческого уровня и даже выше. Разработка и внедрение методов анализа медицинских изображений сталкивается с рядом проблем, включая неоднородность данных из-за разнообразия населения и разных производителей устройств. Кроме того, для надежного процесса разработки метода требуется больше участия экспертов. Хотя экспоненциальный рост данных клинических изображений позволил процветать глубокому обучению, гетерогенность данных, мультимодальность и редкие или незаметные случаи заболеваний все еще требуют изучения. Эндоскопия в значительной степени зависит от оператора и в некоторых случаях приводит к печальным клиническим результатам, поэтому надежное и точное управление автоматизированной системой может улучшить уход за пациентами. Большинство разработанных методов должны быть более обобщаемыми к невидимым целевым данным, изменчивости популяции пациентов и различным проявлениям заболевания. В статье рассматриваются последние работы по анализу эндоскопических изображений с помощью искусственного интеллекта (ИИ) и подчеркиваются текущие непревзойденные потребности в этой области. Наконец, в нем обозначены будущие направления клинически значимых комплексных решений искусственного интеллекта для улучшения результатов лечения пациентов.

Эндоскопия является золотым стандартом процедуры для многих полых органов. Он используется в основном для наблюдения за заболеваниями, мониторинга воспаления, раннего выявления рака, характеристики опухолей и процедур резекции, минимально инвазивных лечебных вмешательств и мониторинга терапевтического ответа. В последние годы эндоскопическому анализу изображений стало уделяться больше внимания, поскольку появилось избыточное количество методов, основанных на эндоскопической визуализации, в компьютерном обнаружении (CADe)1,2,3,4,5, компьютерной диагностике (CADx)6. ,7,8,9,10,11 и компьютерная хирургия (CAS)12,13,14,15,16. В отличие от других радиологических данных (например, рентгенографии, КТ, МРТ), эндоскопическая визуализация и ее анализ являются узкоспециализированной и сложной темой. Эндоскопическая визуализация имеет многофакторные зависимости, включая большую зависимость от оператора (например, опыт и подготовка), проблемы, связанные с объемом изображения (например, изменчивость качества изображения) и подчеркивание динамики сцены (например, неминуемое искажение кадров с серьезными артефактами, движение крупных органов и поверхностные сугробы17). Стандарты качества эндоскопических вмешательств на желудочно-кишечном тракте обсуждаются в нескольких заметных исследованиях18,19. В некоторых недавних работах изучались области глубокого обучения для автоматизации показателей для оценки качества эндоскопии. Это особенно важно для количественной оценки слепых зон20,21. В то время как 3D-реконструкция на основе SLAM использовалась для создания карт толстой кишки18, длина и площадь предшественника рака верхних отделов желудочно-кишечного тракта (ЖКТ), пищевода Барретта, были количественно определены с использованием метода оценки глубины на основе глубокого обучения22. Аналогичным образом, наиболее важной задачей при минимально инвазивных хирургических процедурах (например, лапароскопии) является понимание и интерпретация основной сцены.

Хотя 3D-реконструкция полых органов жизненно важна, ее трудно достичь по нескольким причинам, включая сильно нелинейную деформацию органов, помехи на сцене (например, текущая жидкость, кровь) и окклюзию (например, жир вокруг операции на печени). Таким образом, большинство исследований сосредоточено на оценке местной ситуации с использованием методов классификации, обнаружения и сегментации. Обнаружение и характеристика поражения, а также его очертание являются основным направлением эндоскопии желудочно-кишечного тракта1,2,3,4,5,6,7,8,9,10,11. Аналогичным образом, целевая сегментация камней и ее характеристика имеют первостепенное значение при уретероскопии23, а обнаружение опухолей24 изучается при цистоскопии. Для минимально инвазивных лапароскопических вмешательств в центре внимания были классификация хирургических инструментов12, обнаружение и сегментация13, распознавание фаз12,14, сегментация связанных ориентиров15 и предоперационное наложение 3D-объемов на межоперационные 2D-лапароскопические изображения16. Наглядное резюме ключевых целей и различных задач анализа эндоскопических изображений для различных эндоскопических вмешательств представлено на рисунке 1.