Актуальность. Мочекаменная болезнь (МКБ) представляет собой хроническое заболевание, связанное с нарушением обменных процессов в организме, которое сопровождается образованием конкрементов в органах мочевыделительной системы. На сегодняшний день проблема выявления конкрементов мочевыделительной системы, несмотря на все достижения, остается актуальной (прирост заболеваемости, изменения условий жизни (экология, питание)). Для решения трудностей, возникающих в процессе диагностики конкрементов мочевыделительной системы, а также оптимизации самого диагностического процесса, включающего оценку полученной информации и формирование протокола, предлагается использовать программное обеспечение на основе технологий искусственного интеллекта (ПО на основе ТИИ).

Цель исследования: оценить диагностическую точность ИИ-сервисов в задаче первичного бинарного выявления рентгенопозитивных конкрементов мочевыделительной системы (>100 HU) без стратификации по морфометрическим характеристикам при компьютерно-томографических исследованиях (КТ-исследованиях).

Материал и методы. Взят набор данных из 100 исследований КТ органов брюшной полости и мочевыделительной системы, полученные из Единого радиологического информационного сервиса единой медицинской информационно-аналитической системы (ЕРИС ЕМИАС) и отправлен на обработку двум ИИ-сервисам с ПО на основе ТИИ.

Результаты. По результатам тестирования на подготовленном наборе данных с признаками конкрементов мочевыделительной системы ПО на основе ТИИ достигло высоких показателей метрик диагностической точности, превышающих заявленные показатели: площадь под кривой (AUC) до 0,998 (доверительный интервал (ДИ) 0,993–1,000) (ИИ-2 комплексный сервис для анализа органов брюшной полости (ОБП)), специфичность до 1.000 (ДИ 0,900–1,000), чувствительность до 1,000 (ДИ 1,000–1,000).

Заключения. Высокие показатели диагностической точности ПО на основе ТИИ по результатам анализа тестового набора данных показали, что алгоритмы ТИИ могут использоваться в качестве инструмента оптимизации диагностического процесса, включающего выявление и морфометрию конкрементов мочевыделительной системы.

Актуальность. Технологии дополненной реальности (AR) активно внедряются в медицину, в том числе в нейрохирургию, в которой их применение способно повысить точность и безопасность операций, эффективность обучения. AR-навигация и телепрокторинг способны минимизировать риски, сократить время вмешательств и улучшить доступность специализированной помощи в регионах.

Цель. Оценка эффективности AR-технологий для нейронавигации, телепрокторинга и обучения неопытных хирургов на животных моделях, а также имитации базовых нейрохирургических манипуляций (люмбальная пункция).

Материал и методы. Проведено проспективное исследование на лабораторных животных: 10 крысах и 1 баране. Использованы AR-очки Microsoft Hololens 2 и приложение Medgital Vision. 10 крысам был осуществлен доступ к аорте и сонным артериям (5 – использованием AR-навигации, 5 – без нее). Барану было проведено наложение экстра-интракраниального анастомоза под руководством хирурга с помощью AR-прокторинга, для которого применялся Google Meet. Также проведена имитация люмбальной пункции с наложением КТ-данных пациента на тело участника.

Результаты. Применение AR позволило уменьшить время операции и размер доступа. Удаленный прокторинг показал себя как эффективный способ обучения и консультации во время операции. При имитации люмбальной пункции проекция анатомических ориентиров была правильно спроецирована на тело пациента.

Заключение. AR-технологии продемонстрировали высокую эффективность для нейронавигации, телепрокторинга и обучения. Их внедрение в клиническую практику может повысить безопасность операций, сократить время вмешательств и расширить возможности дистанционного взаимодействия специалистов.

Для выбора наиболее правильной и эффективной тактики лечения у пациентов со светлоклеточным почечно-клеточным раком (скПКР) на дооперационном этапе выполняется многофазная компьютерная томография (КТ) с внутривенным контрастированием. Возможно, данные текстурного анализа, полученные в результате сегментации данных КТ, могут быть использованы для предсказания вероятности скПКР высокого грейда, что может потенциально корректировать тактику лечения.

Цель исследования: выполнить текстурный анализ данных дооперационной многофазной КТ у пациентов с верифицированным скПКР, выявить текстурные показатели, позволяющие прогнозировать грейд скПКР.

Материал и методы. Ретроспективно выполнен анализ данных 189 дооперационных КТ-исследований 164 пациентов, которым была выполнена резекция почки или нефрэктомия, и морфологически верифицирован скПКР по градирующей системе классификации WHO/ISUP. CкПКР грейд 1–2 был верифицирован в 130 исследованиях, скПКР грейд 3–4 в 59. Для выполнения текстурного анализа использовались данные кортикомедуллярной, нефрографической и экскреторной фаз КТ-исследований, сегментация проводилась методами 2D и 3D. Исследование выполнялось ретроспективно.

Результаты. Наиболее информативными с точки зрения прогнозирования грейда скПКР были текстурные показатели, полученные при 3D-сегментации опухоли в кортико-медуллярную и экскреторную фазы КТ.

Наибольшее количество текстурных показателей, линейно ассоциированных с логарифмом шансов скПКР грейд 3–4, было получено при текстурном анализе данных 3D-сегментации опухоли в кортико-медуллярную и нефрографическую фазы КТ.

Наименьшее количество текстурных показателей, статистически значимо ассоциированных с грейдом скПКР, было получено при текстурном анализе данных 2D-сегментации в экскреторную фазу КТ.

При проведении многофакторного анализа текстурных показателей в качестве предикторов грейда скПКР наиболее эффективным способом оценки текстурных показателей был анализ результатов 3D-сегментации в экскреторную фазу с использованием в качестве предикторов первых 6 главных компонент, объясняющих 80% и более дисперсии значений текстурных показателей.

Наиболее высокими значениями псевдо-R² Найджелкерке (0,49) и AUC (0,87) характеризовалась многофакторная логистическая регрессионная модель с включением в качестве предикторов SHAPE_Sphericity и SHAPE_Compacity при 3D-сегментации в экскреторную фазу при использовании фильтра Reflect.

Модель с включением одного текстурного показателя – DISCRETIZED_TLG – при 2D-сегментации в экскреторную фазу при использовании фильтра Reflect характеризовалась несколько более низкими псевдо-R² Найджелкерке (0,44) и AUC (0,85).

С учетом полученных данных нами разработаны две многофакторные модели для предсказания вероятности грейда 3–4 скПКР, основанные на методах 3D- и 2D-сегментации опухоли на КТ-изображениях. Модель, использующая данные 3D-сегментации, характеризовалась прогностической точностью, чувствительностью и специфичностью 80, 79,7 и 80,2% соответственно и по дискриминативным превосходила модель, использующую данные 2D-сегментации.

Заключение. В ходе проведенной работы была доказана возможность использования текстурных показателей, полученных при анализе данных КТ-исследований с контрастным усилением, для прогнозирования грейда скПКР и разработана высокоточная диагностическая модель для прогнозирования грейда скПКР.

Цель исследования: выделение инвариантных к разметке радиомических признаков, а также оценка их способности к дифференциальной диагностике доброкачественных и злокачественных образований.

Материал и методы. Для поиска инвариантных к разметке признаков были отобраны 64 КТ-исследования из базы данных LIDC/IDRI. Существующая разметка 64 исследований LIDC/IDRI была дополнена разметкой врачей-рентгенологов НПКЦ ДиТ ДЗМ, выполненной полуавтоматическим способом (3D-сфера). Для первых 10 исследований также выполнена разметка ручным способом (контурная кисть) для сравнения времени разметки. На несвязанном наборе WORC GIST устойчивые к разметке признаки были оценены с точки зрения применимости для дифференциальной диагностики “доброкачественное образование–злокачественное образование”.

Результаты. В результате проведенного исследования было выявлено 7 устойчивых к разметке радиомических признаков для КТ-исследований, проявивших дискриминационную способность для задачи бинарной классификации “доброкачественное образование – злокачественное образование” на несвязанном наборе данных.

Заключение. Выявленные признаки могут учитываться в дальнейшем построении радиомической модели. Полуавтоматическая разметка способна значимо уменьшить временные затраты на получение маски зоны интереса для дальнейшего радиомического анализа.