Качество алгоритмов искусственного интеллекта для выявления признаков рассеянного склероза на магнитно-резонансных томограммах (систематический обзор)

Обложка

Цитировать

Полный текст

Аннотация

Выполнен систематический обзор литературы с целью обобщения данных о точности и результативности применения алгоритмов искусственного интеллекта для выявления рассеянного склероза по результатам магнитно-резонансной томографии. В обзор включены 39 статей, авторами которых предложено большое количество соответствующих алгоритмов и математических моделей. Однако оценка качества таких разработок ограничена ретроспективным тестированием на повторяющихся наборах данных. Практически полностью отсутствуют результаты клинической апробации, нет проспективных независимых научных исследований точности и применимости. Довольно высокие уровни основных метрик (коэффициенты сходства, чувствительность, специфичность — 75–85%) нивелируются методическими ошибками при формировании исходных наборов данных, отсутствием валидации на независимых данных. В силу малых объёмов выборок и методических дефектов оценки точности результаты подавляющего большинства статей не отвечают критериям доказательности. В наиболее качественных, с методической точки зрения, исследованиях достигнута чувствительность алгоритмов 51,6–77,0%, значение коэффициента Дайса–Сёренсена — 53,5–56,0%. Значение невысоки, но они свидетельствуют о потенциальной реализуемости задачи автоматизированного выявления признаков рассеянного склероза на магнитно-резонансных томограммах. Для дальнейшего развития автоматизированного анализа требуется разработка клинических сценариев применения, формирование методологии тестирования, проведение проспективных клинических апробаций.

Об авторах

Галина Николаевна Черняева

ГБУЗ г. Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения Москвы»

Email: a.vladzimirsky@npcmr.ru
https://orcid.org/0000-0002-5066-5997

м.н.с.

Россия, Москва

Сергей Павлович Морозов

ГБУЗ г. Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения Москвы»

Email: a.vladzimirsky@npcmr.ru
ORCID iD: 0000-0001-6545-6170
https://orcid.org/0000-0001-6545-6170

д.м.н., проф., директор

Россия, Москва

Антон Вячеславович Владзимирский

ГБУЗ г. Москвы «Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения Москвы»; ФГАОУ ВО «Первый Московский государственный медицинский университет имени И.М. Сеченова» (Сеченовский Университет)

Автор, ответственный за переписку.
Email: a.vladzimirsky@npcmr.ru
ORCID iD: 0000-0002-2990-7736
https://orcid.org/0000-0002-2990-7736

д.м.н., заместитель директора по научной работе

Россия, Москва; Москва

Список литературы

  1. Абдурахманова Р.Ф., Иззатов Х.Н., Хадибаева Г.Р., Шарипова Б.А., Кахарова М.Х. Рассеянный склероз: этиология, патогенез и клиника (часть I). Вестник последипломного образования в сфере здравоохранения. 2016;(3):68–74.
  2. Попова Е.В., Бойко А.Н., Барабанова М.А. и соавт. Первично-прогресси-рующий рассеянный склероз: современное состояние проблемы своевременной постановки диагноза. Журнал неврологии и психиатрии им. C.C. Корсакова. 2017;117(10-12):35–40. doi: 10.17116/jnevro201711710235-40.
  3. Howard J., Trevick S., Younger D.S. Epidemiology of multiple sclerosis. Neurol Clin. 2016;34(4):919–939. doi: 10.1016/j.ncl.2016.06.016. PMID: 27720001.
  4. Бородин А.В. Дифференциальная диагностика рассеянного склероза. Практическая медицина. 2018;(10):59–63.
  5. Siva A. Common clinical and imaging conditions misdiagnosed as multiple sclerosis: a current approach to the differential diagnosis of multiple sclerosis. Neurol Clin. 2018;36(1):69–117. doi: 10.1016/j.ncl.2017.08.014. PMID: 29157405.
  6. Solomon A.J., Naismith R.T., Cross A.H. Misdiagnosis of multiple sclerosis: impact of the 2017 McDonald criteria on clinical practice. Neurology. 2019;92(1):26–33. doi: 10.1212/WNL.0000000000006583. PMID: 30381369.
  7. Морозов С.П., Владзимирский А.В., Кляшторный В.Г. и др. Клинические испытания программного обеспечения на основе интеллектуальных технологий (лучевая диагностика). М., 2019. 33 с.
  8. Udupa J.K., Wei L., Samarasekera S., Miki Y. et al. Multiple sclerosis lesion quantification using fuzzy-connectedness principles. IEEE Trans Med Imaging. 1997;16(5):598–609. doi: 10.1109/42.640750. PMID: 9368115.
  9. Datta S., Sajja B.R., He R. et al. Segmentation and quantification of black holes in multiple sclerosis. Neuroimage. 2006;29(2):467–474. doi: 10.1016/j.neuroimage.2005.07.042. PMID: 16126416.
  10. He R., Sajja B.R., Narayana P.A. Implementation of high-dimensional feature map for segmentation of MR images. Ann Biomed Eng. 2005;33(10):1439–1448. doi: 10.1007/s10439-005-5888-3. PMID: 16240091.
  11. Kawa J., Pietka E. Kernelized fuzzy c-means method in fast segmentation of demyelination plaques in multiple sclerosis. Conf Proc IEEE Eng Med Biol Soc. 2007;2007:5616–5619. doi: 10.1109/IEMBS.2007.4353620. PMID: 18003286.
  12. Aït-Ali L.S., Prima S., Hellier P. et al. STREM: a robust multidimensional parametric method to segment MS lesions in MRI. Med Image Comput Comput Assist Interv. 2005; 8(Pt 1):409–416. doi: 10.1007/11566465_51. PMID: 16685872.
  13. Raff U., Newman F.D. Automated lesion detection and lesion quantitation in MR images using autoassociative memory. Med Phys. 1992;19(1):71–77. doi: 10.1118/1.596853. PMID: 1620061.
  14. Raff U., Newman F.D. Lesion detection in radiologic images using an autoassociative paradigm: preliminary results. Med Phys. 1990; 17(5):926–928. doi: 10.1118/1.596449. PMID: 2233581.
  15. Chase H.S., Mitrani L.R., Lu G.G., Fulgieri D.J. Early recognition of multiple sclerosis using natural language processing of the electronic health record. BMC Med Inform Decis Mak. 2017;17(1):24. doi: 10.1186/s12911-017-0418-4.
  16. Nelson R.E., Butler J., LaFleur J. et al. Determining multiple sclerosis phenotype from electronic medical records. J Manag Care Spec Pharm. 2016;22(12):1377–1382. doi: 10.18553/jmcp.2016.22.12.1377. PMID: 27882837.
  17. Davis M.F., Sriram S., Bush W.S. et al. Automated extraction of clinical traits of multiple sclerosis in electronic medical records. J Am Med Inform Assoc. 2013;20(e2):e334–e340. doi: 10.1136/amiajnl-2013-001999. PMID: 24148554.
  18. Wottschel V., Alexander D.C., Kwok P.P. et al. Predicting outcome in clinically isolated syndrome using machine learning. Neuroimage Clin. 2014;7:281–287. doi: 10.1016/j.nicl.2014.11.021. PMID: 25610791.
  19. Zhao Y., Healy B.C., Rotstein D. et al. Exploration of machine learning techniques in predicting multiple sclerosis disease course. PLoS One. 2017;12(4):e0174866. doi: 10.1371/journal.pone.0174866. PMID: 28379999.
  20. Wu F.Y., Slater J.D., Honig L.S. et al. A neural network design for event-related potential diagnosis. Comput Biol Med. 1993;23(3):251–264. doi: 10.1016/0010-4825(93)90024-u. PMID: 8334865.
  21. Ahmadi A., Davoudi S., Daliri M.R. Computer Aided Diagnosis System for multiple sclerosis disease based on phase to amplitude coupling in covert visual attention. Comput Methods Programs Biomed. 2019;169:9–18. doi: 10.1016/j.cmpb.2018.11.006. PMID: 30638593.
  22. Kiiski H., Jollans L., Donnchadha S.Ó. et al. Machine learning EEG to predict cognitive functioning and processing speed over a 2-year period in multiple sclerosis patients and controls. Brain Topogr. 2018;31(3):346–363. doi: 10.1007/s10548-018-0620-4. PMID: 29380079.
  23. Liberati A., Altman D.G., Tetzlaff J. et al. The PRISMA statement for reporting systematic reviews and meta-analyses of studies that evaluate health care interventions: explanation and elaboration. J Clin Epidemiol. 2009;62(10):e1–e34. doi: 10.1016/j.jclinepi.2009.06.006. PMID: 19631507.
  24. Wang S.H., Tang C., Sun J. et al. Multiple sclerosis identification by 14-layer convolutional neural network with batch normalization, dropout, and stochastic pooling. Front Neurosci. 2018;12:818. doi: 10.3389/fnins.2018.00818. PMID: 30467462.
  25. Zurita M., Montalba C., Labbé T. et al. Characterization of relapsing-remitting multiple sclerosis patients using support vector machine classifications of functional and diffusion MRI data. Neuroimage Clin. 2018;20:724–730. doi: 10.1016/j.nicl.2018.09.002. PMID: 30238916.
  26. Yoo Y., Tang L.Y.W., Brosch T. et al. Deep learning of joint myelin and T1w MRI features in normal-appearing brain tissue to distinguish between multiple sclerosis patients and healthy controls. Neuroimage Clin. 2017;17:169–178. doi: 10.1016/j.nicl.2017.10.015. PMID: 29071211.
  27. Nakamura K., Fisher E. Segmentation of brain magnetic resonance images for measurement of gray matter atrophy in multiple sclerosis patients. Neuroimage. 2009;44(3):769–776. doi: 10.1016/j.neuroimage.2008.09.059. PMID: 19007895.
  28. Hackmack K., Paul F., Weygandt M. et al. Alzheimer’s disease neuroimaging initiative. Multi-scale classification of disease using structural MRI and wavelet transform. Neuroimage. 2012;62(1):48–58. doi: 10.1016/j.neuroimage.2012.05.022. PMID: 22609452.
  29. Wei W., Poirion E., Bodini B. et al. Predicting PET-derived demyelination from multimodal MRI using sketcher-refiner adversarial training for multiple sclerosis. Med Image Anal. 2019;58:101546. doi: 10.1016/j.media.2019.101546. PMID: 31499318.
  30. Theocharakis P., Glotsos D., Kalatzis I. et al. Pattern recognition system for the discrimination of multiple sclerosis from cerebral microangiopathy lesions based on texture analysis of magnetic resonance images. Magn Reson Imaging. 2009;27(3):417–422. doi: 10.1016/j.mri.2008.07.014. PMID: 18786795.
  31. Crimi A., Commowick O., Maarouf A. et al. Predictive value of imaging markers at multiple sclerosis disease onset based on gadolinium- and USPIO-enhanced MRI and machine learning. PLoS One. 2014;9(4):e93024. doi: 10.1371/journal.pone.0093024. PMID: 24691080.
  32. Aslani S., Dayan M., Storelli L. et al. Multi-branch convolutional neural network for multiple sclerosis lesion segmentation. Neuroimage. 2019;196:1–15. doi: 10.1016/j.neuroimage.2019.03.068. PMID: 30953833.
  33. McKinley R., Wepfer R., Grunder L. et al. Automatic detection of lesion load change in Multiple Sclerosis using convolutional neural networks with segmentation confidence. Neuroimage Clin. 2020;25:102104. doi: 10.1016/j.nicl.2019.102104. PMID: 31927500.
  34. Jain S., Ribbens A., Sima D.M. et al. D. Two time point MS lesion segmentation in brain MRI: an expectation-maximization framework. Front Neurosci. 2016;10:576. doi: 10.3389/fnins.2016.00576. PMID: 28066162.
  35. Cabezas M., Oliver A., Valverde S. et al. BOOST: a supervised approach for multiple sclerosis lesion segmentation. J Neurosci Methods. 2014;237:108–117. doi: 10.1016/j.jneumeth.2014.08.024. PMID: 25194638.
  36. Gabr R.E., Coronado I., Robinson M. et al. Brain and lesion segmentation in multiple sclerosis using fully convolutional neural networks: A large-scale study. Mult Scler. 2020;26(10): 1217–1226. doi: 10.1177/1352458519856843. PMID: 31190607.
  37. Brosch T., Tang L.Y., Youngjin Yoo et al. Deep 3D convolutional encoder networks with shortcuts for multiscale feature integration applied to multiple sclerosis lesion segmentation. IEEE Trans Med Imaging. 2016;35(5):1229–1239. doi: 10.1109/TMI.2016.2528821. PMID: 26886978.
  38. Valverde S., Cabezas M., Roura E. et al. Improving automated multiple sclerosis lesion segmentation with a cascaded 3D convolutional neural network approach. Neuroimage. 2017;155:159–168. doi: 10.1016/j.neuroimage.2017.04.034. PMID: 28435096.
  39. Bossuyt P.M., Reitsma J.B., Bruns D.E. et al. STARD 2015: An Updated List of Essential Items for Reporting Diagnostic Accuracy Studies. Radiology. 2015;277(3):826–832. doi: 10.1148/radiol.2015151516. PMID: 26509226.
  40. Yamamoto D., Arimura H., Kakeda S. et al. Computer-aided detection of multiple sclerosis lesions in brain magnetic resonance images: false positive reduction scheme consisted of rule-based, level set method, and support vector machine. Comput Med Imaging Graph. 2010;34(5):404–413. doi: 10.1016/j.compmedimag.2010.02.001. PMID: 20189353.
  41. Goldberg-Zimring D., Achiron A., Miron S. et al. Automated detection and characterization of multiple sclerosis lesions in brain MR images. Magn Reson Imaging. 1998;16(3):311–318. doi: 10.1016/s0730-725x(97)00300-7. PMID: 9621972.
  42. Bendfeldt K., Klöppel S., Nichols T.E. et al. Multivariate pattern classification of gray matter pathology in multiple sclerosis. Neuroimage. 2012;60(1):400–408. doi: 10.1016/j.neuroimage.2011.12.070. PMID: 22245259.
  43. Salem M., Cabezas M., Valverde S. et al. A supervised framework with intensity subtraction and deformation field features for the detection of new T2-w lesions in multiple sclerosis. Neuroimage Clin. 2017;17:607–615. doi: 10.1016/j.nicl.2017.11.015. PMID: 29234597.
  44. Boudraa A.O., Dehak S.M., Zhu Y.M. et al. Automated segmentation of multiple sclerosis lesions in multispectral MR imaging using fuzzy clustering. Comput Biol Med. 2000;30(1):23–40. doi: 10.1016/s0010-4825(99)00019-0. PMID: 10695813.
  45. Geremia E., Menze B.H., Clatz O. et al. Spatial decision forests for MS lesion segmentation in multi-channel MR images. Med Image Comput Comput Assist Interv. 2010;13(Pt 1):111–118. doi: 10.1007/978-3-642-15705-9_14. PMID: 20879221.
  46. Shiee N., Bazin P.L., Ozturk A. et al. A topology-preserving approach to the segmentation of brain images with multiple sclerosis lesions. Neuroimage. 2010;49(2):1524–1535. doi: 10.1016/j.neuroimage.2009.09.005. PMID: 19766196.
  47. García-Lorenzo D., Lecoeur J., Arnold D.L. et al. Multiple sclerosis lesion segmentation using an automatic multimodal graph cuts. Med Image Comput Comput Assist Interv. 2009;12(Pt 2):584–591. doi: 10.1007/978-3-642-04271-3_71. PMID: 20426159.
  48. Salem M., Cabezas M., Valverde S. et al. A supervised framework with intensity subtraction and deformation field features for the detection of new T2-w lesions in multiple sclerosis. Neuroimage Clin. 2017;17:607–615. doi: 10.1016/j.nicl.2017.11.015. PMID: 29234597.
  49. Khayati R., Vafadust M., Towhidkhah F. et al. A novel method for automatic determination of different stages of multiple sclerosis lesions in brain MR FLAIR images. Comput Med Imaging Graph. 2008;32(2):124–133. PMID: 18055174.
  50. Weiss N., Rueckert D., Rao A. Multiple sclerosis lesion segmentation using dictionary learning and sparse coding. Med Image Comput Comput Assist Interv. 2013;16(Pt 1):735–742. doi: 10.1007/978-3-642-40811-3_92. PMID: 24505733.
  51. Gao J., Li C., Feng C. et al. Non-locally regularized segmentation of multiple sclerosis lesion from multi-channel MRI data. Magn Reson Imaging. 2014;32(8):1058–1066. doi: 10.1016/j.mri.2014.03.006. PMID: 24948583.
  52. Bijar A., Khayati R., Peñalver Benavent A. Increasing the contrast of the brain MR FLAIR images using fuzzy membership functions and structural similarity indices in order to segment MS lesions. PLoS One. 2013;8(6):e65469. doi: 10.1371/journal.pone.0065469. PMID: 23799015.
  53. Cerasa A., Bilotta E., Augimeri A. et al. A Cellular Neural Network methodology for the automated segmentation of multiple sclerosis lesions. J Neurosci Methods. 2012;203(1):193–199. doi: 10.1016/j.jneumeth.2011.08.047. PMID: 21920384.
  54. Aymerich F.X., Sobrevilla P., Montseny E. et al. Fuzzy approach toward reducing false positives in the detection of small multiple sclerosis lesions in magnetic resonance images. Conf Proc IEEE Eng Med Biol Soc. 2011;2011:5694–5697. doi: 10.1109/IEMBS.2011.6091378. PMID: 22255632.
  55. Kuwazuru J., Arimura H., Kakeda S. et al. Automated detection of multiple sclerosis candidate regions in MR images: false-positive removal with use of an ANN-controlled level-set method. Radiol Phys Technol. 2012;5(1):105–113. doi: 10.1007/s12194-011-0141-2. PMID: 22139608.
  56. Kanber B., Nachev P., Barkhof F. et al. High-dimensional detection of imaging response to treatment in multiple sclerosis. NPJ Digit Med. 2019;2:49. doi: 10.1038/s41746-019-0127-8. PMID: 31304395.
  57. Freire P.GL, Ferrari R.J. Multiple sclerosis lesion enhancement and white matter region estimation using hyperintensities in FLAIR images. arXiv. 2018:1807.09619.
  58. Feng Y., Pan H., Meyer C. et al. A self-adaptive network for multiple sclerosis lesion segmentation from multi-contrast MRI with various imaging protocols. arXiv. 2018:1811.07491.
  59. Kazancli E., Prchkovska V., Rodrigues P. et al. Multiple sclerosis lesion segmentation using improved convolutional neural networks. In: Proceedings of the 13th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications (VISIGRAPP 2018). 2018; 4; VISAPP: 260–269. doi: 10.5220/0006540902600269.
  60. Roy S., Butman J.A., Reich D.S. et al. Multiple sclerosis lesion segmentation from brain MRI via fully convolutional neural networks. arXiv. 2018:1803.09172v1.
  61. Saccà V., Sarica A., Novellino F. et al. Evaluation of machine learning algorithms performance for the prediction of early multiple sclerosis from resting-state FMRI connectivity data. Brain Imaging Behav. 2019;13(4):1103–1114. doi: 10.1007/s11682-018-9926-9. PMID: 29992392.
  62. Zhang H., Zhang J., Zhang Q. et al. RSANet: Recurrent Slice-wise Attention Network for multiple sclerosis lesion segmentation. arXiv; 2020:2002.12470v1.
  63. Gheshlaghi S.H., Ranjbar A., Suratgar A.A. et al. A superpixel segmentation based technique for multiple sclerosis lesion detection. arXiv; 2020:1907.03109v1.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Стратегия отбора публикаций для систематического обзора.

Скачать (116KB)
Метаданные

© Черняева Г.Н., Морозов С.П., Владзимирский А.В., 2021

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

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах