Рассмотрен опыт создания и внедрения информационной системы на базе искусственного интеллекта «Botkin.AI» для выявления узлов и очагов в легких по данным КТ. Описаны основные параметры математических моделей, разработанных для системы, представлены результаты пилотных проектов ее практического применения в нескольких регионах Российской Федерации. Приведены примеры ее применения для выявления узлов в легких различных размеров и локализации. Во время проведения пилотных проектов в регионах были выявлены 7 пациентов с высоким подозрением ЗНО легких. Полученные результаты и опыт показывают, что применение системы Botkin.AI можно использовать как для целей реализации региональных программ скрининга рака легкого, так и в качестве дополнительного инструмента повышения выявляемости рака легкого при внедрении автоматического пересмотра массивов данных КТ грудной клетки, вне зависимости от показаний, по которым были сделаны эти исследования.
2. Dong Ming Xu et al. Retrospective Review of Lung Cancers Diagnosed in Annual Rounds of CT Screening. American Journal of Roentgenology. 2014;203: 965–972. 10.2214/AJR.13.12115.
3. Гусев А. В. Перспективы нейронных сетей и глубокого машинного обучения в создании решений для здравоохранения / Врач и информационные технологии. – 2017. – № 3. – С. 92–105.
4. OECD (2019), Computed tomography (CT) scanners (indicator). DOI: 10.1787/bedece12-en (Accessed on 22 September 2019).
5. The National Lung Screening Trial Research Team. Reduced lung-cancer mortality with low-dose computed tomographic screening. New Engl. J. Medicine, 365, DOI 10.1056/NEJMoa1102873. PMID: 21714641, pages 395–409, 2011.
6. Состояние онкологическойпомощи населению России в 2018 году. Под редакцией А. Д. Каприна, В. В. Старинского и Г. В. Петровой. М.: МНИОИ им. П. А. Герцена, филиал ФГБУ «НМИЦ радиологии» Минздрава России, 2019.
7. Global Cancer Screening Observatory. WHO. http://gco.iarc.fr.
8. Левченко Е. В. Скрининг рака легкого. Практическая онкология. – 2010. – Т. 11. – № 2. – С. 88–92.
9. Артамонова Е.В., Арутюнов Г. П., Бредер В. В. и др. Рекомендации по ранней диагностике рака лёгкого. Москва, 2014. 34 с.
10. National Lung Screening Trial Research Team et al. Reduced lung-cancer mortality with low-dose computed tomographic screening. N. Engl. J. Med. 365, 395–409 (2011).
11. van Riel, S.J. et al. Observer variability for Lung-RADS categorisation of lung cancer screening CTs: impact on patient management. Eur. Radiol. 29, 924–931 (2019).
12. Hayit Greenspan, Bram van Ginneken, Ronald M. Summers. Guest editorial deep learning in medical imaging: Overview and future promise of an exciting new technique. IEEE Transactions on Medical Imaging. Volume: 35, Issue: 5, May 2016.
13. Nath P.H. et. National lung screening trial: variability in nodule detection rates in chest CT studies. Radiology 268(3), pages 865–873, 3, 2013.
14. Fineberg N.S. et al. Evaluation of reader variability in the interpretation of follow-up CT scans at lung cancer screening. Radiology 259(1), pages 263–270, 2011.
15. Geert Litjens et al. A survey on deep learning in medical image analysis. Medical Image Analysis 42, pages 60–88, 2017.
16. Arnaud Arindra, Adiyoso Setio et. al. Pulmonary nodule detection in CT images: False positive reduction using multi-view convolutional networks. IEEE Transaction on Medical Imaging, Vol. 35, No. 5, 2016.
17. Armato S.G. et al. Lung cancer: performance of automated lung nodule detection applied to cancers missed in a CT screening program. Radiology 225, 685–692 (2002).
18. Trajanovski et al. Towards radiologist-level cancer risk assessment in CT lung screening using deep learning, 2018.
19. Diego Ardila, Atilla P. Kiraly, Sujeeth Bharadwaj, Bokyung Choi et al. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nature Medicine 25, pages 954–961, 2019.