Искусственный интеллект с алгоритмами нейронной сети в диагностике астроцитомы у детей: систематический обзор

Актуальность: Астроцитома представляет собой распространенный вид опухолей головного мозга у детей и является существенной проблемой для здравоохранения. Последние достижения в области искусственного интеллекта (ИИ), в частности, алгоритмов нейронных сетей, изучаются на предмет точности и эффективности в медицинской диагностике посредством эффективного анализа данных визуализационных исследований для выявления закономерностей и аномалий.

Цель: Провести систематический обзор диагностических инструментов на основе ИИ с методологией, чувствительностью, специфичностью алгоритмов нейронных сетей, а также изучить вопрос потенциального внедрения в клиническую практику для диагностики астроцитомы у детей. Таким образом, можно получить представление об их общей эффективности и влиянии на принятие клинических решений.

Методы: Согласно рекомендациям PRISMA 2020, 5 февраля 2024 г. был проведен обширный поиск в PubMed, Scopus и ScienceDirect. Стратегия поиска основывалась на вопросе PECO, посвященном сравнению КТ- и МРТ-диагностики астроцитомы у детей с помощью алгоритмов ИИ. Ключевые слова составляли термины, относящиеся к ИИ и алгоритмам нейронных сетей. В обзор были включены исследования, анализировавшие точность диагностики методов на основе ИИ у детей с астроцитомой (1–3 степени по классификации ВОЗ). Ограничений по году или стране публикации не было. Из обзора были исключены исследования, опубликованные на языках, отличных от английского и индонезийского, а также исследования без участия людей. Качество данных оценивали с помощью инструмента Effective Public Health Practice Project.

Результаты: Из 454 отобранных статей критериям включения соответствовали 6. Данные исследования различались по дизайну, месту проведения и размеру выборки (от 10 до 135 человек). Диагностическая эффективность методов ИИ показала высокую чувствительность и специфичность, часто превосходившую традиционные рентгенологические методы. Примечательно, что алгоритмы нейронных сетей с использованием 3D-МРТ продемонстрировали более высокую точность (96%) по сравнению с 2D-МРТ (77 %). Модели ИИ показали уровень эффективности, сопоставимый с экспертами-рентгенологами или превосходящий их уровень, причем точность классификации опухолей составила 92%, а значения AUROC были высокими.

Заключение: ИИ с алгоритмами нейронных сетей демонстрирует значительные перспективы в повышении точности диагностики астроцитомы у детей. Исследования показывают, что данные передовые методы могут обеспечить более высокую чувствительность и специфичность по сравнению с традиционными. Внедрение ИИ в клиническую практику может существенно повысить точность диагностики и улучшить результаты лечения пациентов.

1. Konovalov NA, Asyutin DS, Shayhaev EG, Kaprovoy SV, Timonin SY. Molecular biomarkers of brain and spinal cord astrocytomas. Acta Naturae. 2019;11(2):17–27. PMID: 31413876. PMCID: PMC6643348. https://doi.org/10.32607/20758251-2019-11-2-17-27

2. Kapoor M, Gupta V. Astrocytoma. In: StatPearls. StatPearls Publishing; 2024. PMID: 32644468.

3. Ostrom QT, Price M, Ryan K, et al. CBTRUS statistical report: pediatric brain tumor foundation childhood and adolescent primary brain and other central nervous system tumors diagnosed in the United States in 2014-2018. Neuro Oncol. 2022;24(Suppl 3):iii1–iii38. PMID: 36066969. PMCID: PMC9447434. https://doi.org/10.1093/neuonc/noac161

4. Mo Z, Xin J, Chai R, Woo PYM, Chan DTM, Wang J. Epidemiological characteristics and genetic alterations in adult diffuse glioma in East Asian populations. Cancer Biol Med. 2022;19(10):1440–1459. PMID: 36350002. PMCID: PMC9630523. https://doi.org/10.20892/j.issn.2095-3941.2022.0418

5. Gajjar A, Bowers DC, Karajannis MA, Leary S, Witt H, Gottardo NG. Pediatric brain tumors: innovative genomic information is transforming the diagnostic and clinical landscape. J Clin Oncol. 2015;33(27):2986–2998. PMID: 26304884. PMCID: PMC4567701. https://doi.org/10.1200/JCO.2014.59.9217

6. Al-Antari MA. Artificial intelligence for medical diagnostics-existing and future AI technology!. Diagnostics (Basel). 2023;13(4):688. PMID: 36832175. PMCID: PMC9955430. https://doi.org/10.3390/diagnostics13040688

7. Alowais SA, Alghamdi SS, Alsuhebany N, et al. Revolutionizing healthcare: the role of artificial intelligence in clinical practice. BMC Med Educ. 2023;23(1):689. PMID: 37740191. PMCID: PMC10517477. https://doi.org/10.1186/s12909-023-04698-z

8. Al-Antari MA. Advancements in artificial intelligence for medical computer-aided diagnosis. Diagnostics (Basel). 2024;14(12):1265. PMID: 38928680. PMCID: PMC11202700. https://doi.org/10.3390/diagnostics14121265

9. Hu Z, Tang J, Wang Z, Zhang K, Zhang L, Sun Q. Deep learning for image-based cancer detection and diagnosis − a survey. Pattern Recognition. 2018;83:134–149. https://doi.org/10.1016/j.patcog.2018.05.014

10. Levine AB, Schlosser C, Grewal J, Coope R, Jones SJM, Yip S. Rise of the machines: advances in deep learning for cancer diagnosis. Trends Cancer. 2019;5(3):157–169. PMID: 30898263. https://doi.org/10.1016/j.trecan.2019.02.002

11. Habuza T, Navaz AN, Hashim F, et al. AI applications in robotics, diagnostic image analysis and precision medicine: current limitations, future trends, guidelines on CAD systems for medicine. Informatics in Medicine Unlocked. 2021;24:100596. https://doi.org/10.1016/j.imu.2021.100596

12. Khalifa M, Albadawy M. AI in diagnostic imaging: revolutionising accuracy and efficiency. Computer Methods and Programs in Biomedicine Update. 2024;5:100146. https://doi.org/10.1016/j.cmpbup.2024.100146

13. Ho CWL, Soon D, Caals K, Kapur J. Governance of automated image analysis and artificial intelligence analytics in healthcare. Clin Radiol. 2019;74(5):329–337. PMID: 30898383. https://doi.org/10.1016/j.crad.2019.02.005

14. Dai L, Zhou M, Liu H. Recent applications of convolutional neural networks in medical data analysis. In: Hassan A, Prasad VK, Bhattacharya P, Dutta P, Damaševičius R, eds. Federated Learning and AI for Healthcare 5.0. IGI Global; 2023:119–131. https://doi.org/10.4018/979-8-3693-1082-3.ch007

15. Mohammed FA, Tune KK, Assefa BG, Jett M, Muhie S. Medical image classifications using convolutional neural networks: a survey of current methods and statistical modeling of the literature. Machine Learning and Knowledge Extraction. 2024;6(1):699–736. https://doi.org/10.3390/make6010033

16. Desai YK, Jadhav T, Nirmal S, et al. Diagnosis of medical images using convolutional neural networks. Journal of Electrical Systems. 2024;20(6s):2371–2376. https://doi.org/10.52783/jes.3220

17. Li Q, Cai W, Wang X, Zhou Y, Feng DD, Chen M. Medical image classification with convolutional neural network. In: 2014 13th International Conference on Control Automation Robotics & Vision (ICARCV). IEEE; 2014:844–848. https://doi.org/10.1109/icarcv.2014.7064414

18. Yu H, Yang LT, Zhang Q, Armstrong D, Deen MJ. Convolutional neural networks for medical image analysis: state-of-theart, comparisons, improvement and perspectives. Neurocomputing. 2021;444:92–110. https://doi.org/10.1016/j.neucom.2020.04.157

19. Sarvamangala DR, Kulkarni RV. Convolutional neural networks in medical image understanding: a survey. Evol Intell. 2022;15(1):1–22. PMID: 33425040. PMCID: PMC7778711. https://doi.org/10.1007/s12065-020-00540-3

20. Arle JE, Morriss C, Wang ZJ, Zimmerman RA, Phillips PG, Sutton LN. Prediction of posterior fossa tumor type in children by means of magnetic resonance image properties, spectroscopy, and neural networks. J Neurosurg. 1997;86(5):755–761. PMID: 9126888. https://doi.org/10.3171/jns.1997.86.5.0755

21. Bidiwala S, Pittman T. Neural network classification of pediatric posterior fossa tumors using clinical and imaging data. Pediatr Neurosurg. 2004;40(1):8–15. PMID: 15007223. https://doi.org/10.1159/000076571

22. Fetit AE, Novak J, Peet AC, Arvanitits TN. Three-dimensional textural features of conventional MRI improve diagnostic classification of childhood brain tumours. NMR Biomed. 2015;28(9):1174– 1184. PMID: 26256809. https://doi.org/10.1002/nbm.3353

23. Grist JT, Withey S, MacPherson L, et al. Distinguishing between paediatric brain tumour types using multi-parametric magnetic resonance imaging and machine learning: a multi-site study. Neuroimage Clin. 2020;25:102172. PMID: 32032817. PMCID: PMC7005468. https://doi.org/10.1016/j.nicl.2020.102172

24. Page MJ, McKenzie JE, Bossuyt PM, et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ. 2021;372:n71. PMID: 33782057. PMCID: PMC8005924. https://doi.org/10.1136/bmj.n71

25. Thomas BH, Ciliska D, Dobbins M, Micucci S. A process for systematically reviewing the literature: providing the research evidence for public health nursing interventions. Worldviews Evid Based Nurs. 2004;1(3):176–184. PMID: 17163895. https://doi.org/10.1111/j.1524-475X.2004.04006.x

26. Quon JL, Bala W, Chen LC, et al. Deep learning for pediatric posterior fossa tumor detection and classification: a multi-institutional study. AJNR Am J Neuroradiol. 2020;41(9):1718–1725. PMID: 32816765. PMCID: PMC7583118. https://doi.org/10.3174/ajnr.A6704

27. Orphanidou-Vlachou E, Vlachos N, Davies NP, Arvanitis TN, Grundy RG, Peet AC. Texture analysis of T1- and T2-weighted MR images and use of probabilistic neural network to discriminate posterior fossa tumours in children. NMR Biomed. 2014;27(6):632–639. PMID: 24729528. PMCID: PMC4529665. https://doi.org/10.1002/nbm.3099

28. Rodriguez Gutierrez D, Awwad A, Meijer L, et al. Metrics and textural features of MRI diffusion to improve classification of pediatric posterior fossa tumors. AJNR Am J Neuroradiol. 2014;35(5):1009–1015. PMID: 24309122. PMCID: PMC7964560. https://doi.org/10.3174/ajnr.A3784

29. Li M, Wang H, Shang Z, Yang Z, Zhang Y, Wan H. Ependymoma and pilocytic astrocytoma: differentiation using radiomics approach based on machine learning. J Clin Neurosci. 2020;78:175–180. PMID: 32336636. https://doi.org/10.1016/j.jocn.2020.04.080

30. Zarinabad N, Abernethy LJ, Avula S, et al. Application of pattern recognition techniques for classification of pediatric brain tumors by in vivo 3T 1 H-MR spectroscopy-a multi-center study. Magn Reson Med. 2018;79(4):2359–2366. PMID: 28786132. PMCID: PMC5850456. https://doi.org/10.1002/mrm.26837

31. Zhou H, Hu R, Tang O, et al. Automatic Machine learning to differentiate pediatric posterior fossa tumors on routine MR imaging. AJNR Am J Neuroradiol. 2020;41(7):1279–1285. PMID: 32661052. PMCID: PMC7357647. https://doi.org/10.3174/ajnr.A6621

32. Kaifi R. A review of recent advances in brain tumor diagnosis based on AI-based classification. Diagnostics (Basel). 2023;13(18):3007. PMID: 37761373. PMCID: PMC10527911. https://doi.org/10.3390/diagnostics13183007

33. Mathivanan SK, Sonaimuthu S, Murugesan S, Rajadurai H, Shivahare BD, Shah MA. Employing deep learning and transfer learning for accurate brain tumor detection. Sci Rep. 2024;14(1):7232. PMID: 38538708. PMCID: PMC10973383. https://doi.org/10.1038/s41598-024-57970-7

34. Khalighi S, Reddy K, Midya A, Pandav KB, Madabhushi A, Abedalthagafi M. Artificial intelligence in neuro-oncology: advances and challenges in brain tumor diagnosis, prognosis, and precision treatment. NPJ Precis Oncol. 2024;8(1):80. PMID: 38553633. PMCID: PMC10980741. https://doi.org/10.1038/s41698-024-00575-0

35. Cè M, Irmici G, Foschini C, et al. Artificial intelligence in brain tumor imaging: a step toward personalized medicine. Curr Oncol. 2023;30(3):2673–2701. PMID: 36975416. PMCID: PMC10047107. https://doi.org/10.3390/curroncol30030203.