Применение искусственного интеллекта в обнаружении и стратификации рака предстательной железы: обзор литературы

Али   Талышинский; Ирина  Камышанская; Андрей  Мищенко; Бахман  Гулиев; Рустам  Бахтиозин

doi:10.21638/spbu11.2023.204

Авторы

Али Талышинский Медицинский университет Астана, Республика Казахстан, 010000, Астана, ул. Бейбитшилик, 49а ; Санкт-Петербургский государственный университет, Российская Федерация, 199034, Санкт-Петербург, Университетская наб., 7–9
Ирина Камышанская Санкт-Петербургский государственный университет, Российская Федерация, 199034, Санкт-Петербург, Университетская наб., 7–9 ; Санкт-Петербургская городская Мариинская больница, Российская Федерация, 191014, Санкт-Петербург, Литейный пр., 56
Андрей Мищенко Санкт-Петербургский государственный университет, Российская Федерация, 199034, Санкт-Петербург, Университетская наб., 7–9 ;Санкт-Петербургская городская Мариинская больница, Российская Федерация, 191014, Санкт-Петербург, Литейный пр., 56;Научно-медицинский исследовательский центр онкологии им. Н. Н. Петрова, Российская Федерация, 197758, Санкт-Петербург, ул. Ленинградская, 68
Бахман Гулиев Санкт-Петербургская городская Мариинская больница, Российская Федерация, 191014, Санкт-Петербург, Литейный пр., 56
Рустам Бахтиозин Первый Московский государственный медицинский университет им. И. М. Сеченова (Сеченовский университет), Российская Федерация, 119048, Москва, ул. Трубецкая, 8

DOI:

https://doi.org/10.21638/spbu11.2023.204

Аннотация

В обзоре литературы проанализированы современные подходы в использовании искусственного интеллекта для обнаружения и стратификации рака предстательной железы по данным магнитно-резонансной томографии. Приведен анализ объема данных, используемых для обучения и валидизации искусственных нейросетей, а также наиболее востребованные последовательности магнитно-резонансного исследования предстательной железы для машинного и глубокого обучения интеллектуальных систем. Представлены показатели точности включенных в обзор нейросетей в решении поставленных задач, а также дано их краткое описание. Определены недостатки современных работ по разработке нейросетей для обнаружения и стратификации рака предстательной железы по данным магнитно-резонансной томографии, а также трудности их разработки и применения. Представленный всесторонний анализ углубляется в существующие подходы к использованию искусственного интеллекта для обнаружения и стратификации рака предстательной железы с помощью данных магнитно-резонансной томографии. Анализ касается масштаба данных и предпочтительных последовательностей магнитно-резонансной томографии, используемых для обучения нейронной сети. В обзоре представлена разбивка показателей точности для оцениваемых нейронных сетей с разъяснением их соответствующих возможностей. Кроме того, в обзоре выявляются недостатки работ, описывающих текущие модели нейронных сетей, разработанных для обнаружения и стратификации рака предстательной железы с помощью магнитно-резонансной томографии, а также признаются сложности, связанные с их разработкой и практическим применением.

Ключевые слова:

рак предстательной железы, МРТ, искусственный интеллект.

Скачивания

Данные скачивания пока недоступны.

Библиографические ссылки

References

Shatylko T. V., Popkov V. M., Fomkin R. N. Integrative approach to pre-operative determination of clinically significant prostate cancer. Saratovskii nauchno-meditsinskii zhurnal, 2015, vol. 11, no. 3,pp. 345–348. (In Russian)

Westphalen A. C., McCulloch C. E., Anaokar J. M., Arora S., Barashi N. S., Barentsz J. O., Bathala T. K., Bittencourt L. K., Booker M. T., Braxton V. G., Carroll P. R., Casalino D. D., Chang S. D., Coakley F. V., Dhatt R., Eberhardt S. C., Foster B. R., Froemming A. T., Fütterer J. J., Ganeshan D. M., Gertner M. R., Mankowski Gettle L., Ghai S., Gupta R. T., Hahn M. E., Houshyar R., Kim C., Kim C. K., Lall C., Margolis D. J. A., McRae S. E., Oto A., Parsons R. B., Patel N. U., Pinto P. A., Polascik T. J., Spilseth B., Starcevich J. B., Tammisetti V. S., Taneja S. S., Turkbey B., Verma S., Ward J. F., Warlick C. A., Weinberger A. R., Yu J., Zagoria R. J., Rosenkrantz A. B. Variability of the Positive Predictive Value of PIRADS for Prostate MRI across 26 Centers: Experience of the Society of Abdominal Radiology Prostate Cancer Disease-focused Panel. Radiology, 2020, vol. 296, no. 1, pp. 76–84.

Harish V., Morgado F., Stern A. D., Das S. Artificial Intelligence and Clinical Decision Making: The New Nature of Medical Uncertainty. Acad. Med., 2021, vol. 96, no. 1, pp. 31–36.

Reva S. A., Shaderkin I. A., Ziatchin I. V., Petrov S. B. Artificial intelligence in oncourology.Eksperimental’naia i klinicheskaia urologiia, 2021, vol. 14, no. 2, pp. 46–51. (In Russian)

Wang J., Wu C. J., Bao M. L., Zhang J., Wang X. N., Zhang Y. D. Machine learning-based analysis of MR radiomics can help to improve the diagnostic performance of PI-RADS v2 in clinically relevant prostate cancer. Eur. Radiol., 2017, vol. 27, no. 10, pp. 4082–4090.

Alvarez-Jimenez C., Barrera C., Munera N., Viswanath S. E., Romero E. Differentiating Cancerous and Non-cancerous Prostate Tissue Using Multi-scale Texture Analysis on MRI. Annu. Int. Conf. IEEE Eng.Med. Biol. Soc., 2019, pp. 2695–2698.

Cuocolo R., Stanzione A., Faletti R., Gatti M., Calleris G., Fornari A., Gentile F., Motta A., Dell’Aversana S., Creta M., Longo N., Gontero P., Cirillo S., Fonio P., Imbriaco M. MRI index lesion radiomics and machine learning for detection of extraprostatic extension of disease: a multicenter study. Eur. Radiol., 2021, vol. 31, no. 10, pp. 7575–7583.

Gholizadeh N., Simpson J., Ramadan S., Denham J., Lau P., Siddique S., Dowling J., Welsh J., Chalup S.,Greer P. B. Voxel-based supervised machine learning of peripheral zone prostate cancer using noncontrast multiparametric MRI. J. Appl. Clin. Med. Phys., 2020, vol. 21, no. 10, pp. 179–191.

Giannini V., Mazzetti S., Defeudis A., Stranieri G., Calandri M., Bollito E., Bosco M., Porpiglia F.,Manfredi M., De Pascale A., Veltri A., Russo F., Regge D. A Fully Automatic Artificial Intelligence System Able to Detect and Characterize Prostate Cancer Using Multiparametric MRI: Multicenter and Multi-Scanner Validation. Front. Oncol., 2021, vol. 11, p. 718155.

Varghese B., Chen F., Hwang D., Palmer S. L., De Castro Abreu A. L., Ukimura O., Aron M., Aron M.,Gill I., Duddalwar V., Pandey G. Objective risk stratification of prostate cancer using machine learning and radiomics applied to multiparametric magnetic resonance images. Sci. Reports, 2019, vol. 9, no. 1,pp. 1–10.

Kwon D., Reis I. M., Breto A. L., Tschudi Y., Gautney N., Zavala-Romero O., Lopez C., Ford J. C., Punnen S., Pollack A., Stoyanova R. Classification of suspicious lesions on prostate multiparametric MRI using machine learning. J. Med. Imaging, 2018, vol. 5, no. 3, p. 034502.

Hectors S. J., Chen C., Chen J., Wang J., Gordon S., Yu M., Al Hussein Al Awamlh B., Sabuncu M. R., Margolis D. J. A., Hu J. C. Magnetic Resonance Imaging Radiomics-Based Machine Learning Prediction of Clinically Significant Prostate Cancer in Equivocal PI-RADS 3 Lesions. J. Magn. Reson. Imaging.2021, vol. 54, no. 5, pp. 1466–1473.

Zhang L., Zhe X., Tang M., Zhang J., Ren J., Zhang X., Li L. Predicting the Grade of Prostate Cancer Based on a Biparametric MRI Radiomics Signature. Contrast Media Mol Imaging, 2021, 7830909.

Liu B., Cheng J., Guo D. J., He X. J., Luo Y. D., Zeng Y., Li C. M. Prediction of prostate cancer aggressiveness with a combination of radiomics and machine learning-based analysis of dynamic contrast-enhanced MRI. Clin. Radiol., 2019, vol. 74, no. 11, pp. 896.e1–896.e8.

Wu M., Krishna S., Thornhill R. E., Flood T. A., McInnes M. D. F., Schieda N. Transition zone prostate cancer: Logistic regression and machine-learning models of quantitative ADC, shape and texture features are highly accurate for diagnosis. J. Magn. Reson. Imaging, 2019, vol. 50, no. 3, pp. 940–950.

Iyama Y., Nakaura T., Katahira K., Iyama A., Nagayama Y., Oda S., Utsunomiya D., Yamashita Y. Development and validation of a logistic regression model to distinguish transition zone cancers from benign prostatic hyperplasia on multi-parametric prostate MRI. Eur. Radiol, 2017, vol. 27, no. 9,pp. 3600–3608.

Akamine Y., Ueda Y., Ueno Y., Sofue K., Murakami T., Yoneyama M., Obara M., Van Cauteren M. Application of hierarchical clustering to multi-parametric MR in prostate: Differentiation of tumor and normal tissue with high accuracy. Magn. Reson. Imaging, 2020, vol. 74, pp. 90–95.

Liu S., Zheng H., Feng Y., Li W. Prostate Cancer Diagnosis using Deep Learning with 3D Multiparametric MRI. arXiv:1703.04078.

Stanzione A., Cuocolo R., Cocozza S., Romeo V., Persico F., Fusco F., Longo N., Brunetti A., Imbriaco M. Detection of Extraprostatic Extension of Cancer on Biparametric MRI Combining Texture Analysis and Machine Learning: Preliminary Results. Acad. Radiol., 2019, vol. 26, no. 10, pp. 1338–1344.

Ishioka J., Matsuoka Y., Uehara S., Yasuda Y., Kijima T., Yoshida S., Yokoyama M., Saito K., Kihara K.,Numao N., Kimura T., Kudo K., Kumazawa I., Fujii Y. Computer-aided diagnosis of prostate cancer on magnetic resonance imaging using a convolutional neural network algorithm. B. J. U. Int., 2018,vol. 122, no. 3, pp. 411–417.

Zabihollahy F., Ukwatta E., Krishna S., Schieda N. Fully automated localization of prostate peripheral zone tumors on apparent diffusion coefficient map MR images using an ensemble learning method.J. Magn. Reson. Imaging, 2020, vol. 51, no. 4, pp. 1223–1234.

Mehrtash A., Sedghi A., Ghafoorian M., Taghipour M., Tempany C. M., Wells W. M. 3rd, Kapur T., Mousavi P., Abolmaesumi P., Fedorov A. Classification of Clinical Significance of MRI Prostate Findings Using 3D Convolutional Neural Networks. Proc. SPIE Int. Soc. Opt. Eng., 2017, pp. 10134–101342A.

Saha A., Hosseinzadeh M., Huisman H. End-to-end prostate cancer detection in bpMRI via 3D CNNs:Effects of attention mechanisms, clinical priori and decoupled false positive reduction. Med. Image Anal., 2021, vol. 73, p. 102155.

Chen Q., Hu S., Long P., Lu F., Shi Y., Li Y. A Transfer Learning Approach for Malignant Prostate Lesion Detection on Multiparametric MRI. Technol. Cancer Res. Treat., 2019, vol. 18, p. 1533033819858363.

Sobecki P., Jóźwiak R., Sklinda K., Przelaskowski A. Effect of domain knowledge encoding in CNN model architecture-a prostate cancer study using mpMRI images. PeerJ, 2021, no. 9, p. e11006.

Sanyal J., Banerjee I., Hahn L., Rubin D. An Automated Two-step Pipeline for Aggressive Prostate Lesion Detection from Multi-parametric MR Sequence. AMIA J. Summits Transl. Sci. Proc., 2020,pp. 552–560.

Bhattacharya I., Seetharaman A., Shao W., Sood R., Kunder C. A., Fan R. E., Soerensen S. J. C., Wang J. B., Ghanouni P., Teslovich N. C., Brooks J. D., Sonn G. A., Rusu M. CorrSigNet: Learning CORRelated Prostate Cancer SIGnatures from Radiology and Pathology Images for Improved Computer Aided Diagnosis. Lect. Notes Comput. Sci. (including Subser Lect Notes Artif Intell Lect Notes Bioinformatics),2020, 12262 LNCS, pp. 315–325.

Yu X., Lou B., Shi B., Winkel D., Arrahmane N., Diallo M., Meng T., von Busch H., Grimm R., Kiefer B.,Comaniciu D., Kamen A., Huisman H., Rosenkrantz A., Penzkofer T., Shabunin I., Yang Q., Szolar D. False Positive Reduction Using Multiscale Contextual Features for Prostate Cancer Detection in Multi-Parametric MRI Scans. Proc. — Int. Symp. Biomed. Imaging, 2020, pp. 1355–1359.

Yoo S., Gujrathi I., Haider M. A., Khalvati F. Prostate Cancer Detection using Deep Convolutional Neural Networks. Sci. Reports, 2019, vol. 9, no. 1, pp. 1–10.

Zhong X., Cao R., Shakeri S., Scalzo F., Lee Y., Enzmann D. R., Wu H. H., Raman S. S., Sung K. Deep transfer learning-based prostate cancer classification using 3 Tesla multi-parametric MRI. Abdom. Radiol., 2019, vol. 44, no. 6, pp. 2030–2039.

Khosravi P., Lysandrou M., Eljalby M., Li Q., Kazemi E., Zisimopoulos P., Sigaras A., Brendel M., Barnes J., Ricketts C., Meleshko D., Yat A., McClure T. D., Robinson B. D., Sboner A., Elemento O., Chughtai B., Hajirasouliha I. A Deep Learning Approach to Diagnostic Classification of Prostate Cancer Using Pathology-Radiology Fusion. J. Magn. Reson. Imaging, 2021, vol. 54, no. 2, pp. 462–471.

Arif M., Schoots I. G., Castillo Tovar J., Bangma C. H., Krestin G. P., Roobol M. J., Niessen W., Veenland J. F. Clinically significant prostate cancer detection and segmentation in low-risk patients using a convolutional neural network on multi-parametric MRI. Eur. Radiol., 2020, vol. 30, no. 12, pp. 6582–6592.

Wang Z., Liu C., Cheng D., Wang L., Yang X., Cheng K. T. Automated Detection of Clinically Significant Prostate Cancer in mp-MRI Images Based on an End-to-End Deep Neural Network. IEEE Trans. Med. Imaging, 2018, vol. 37, no. 5, pp. 1127–1139.

Abdelmaksoud I. R., Shalaby A., Mahmoud A., Elmogy M., Aboelfetouh A., Abou El-Ghar M., El-Melegy M., Alghamdi N. S., El-Baz A. Precise Identification of Prostate Cancer from DWI Using Transfer Learning. Sensors (Basel), 2021, vol. 21, no. 11, p. 3664.

Aldoj N., Lukas S., Dewey M., Penzkofer T. Semi-automatic classification of prostate cancer on multiparametric MR imaging using a multi-channel 3D convolutional neural network. Eur. Radiol., 2020,vol. 30, no. 2, pp. 1243–1253.

Song Y., Zhang Y. D., Yan X., Liu H., Zhou M., Hu B., Yang G. Computer-aided diagnosis of prostate cancer using a deep convolutional neural network from multiparametric MRI. J. Magn. Reson. Imaging,2018, vol. 48, no. 6, pp. 1570–1577.

Pellicer-Valero O. J., Marenco Jiménez J. L., Gonzalez-Perez V., Casanova Ramón-Borja J. L., MartínnGarcía I., Barrios Benito M., Pelechano Gómez P., Rubio-Briones J., Rupérez M. J., Martín-Guerrero J. D. Deep learning for fully automatic detection, segmentation, and Gleason grade estimation of prostate cancer in multiparametric magnetic resonance images. Sci. Rep., 2022, vol. 12, no. 1, p. 2975.

Xu H., Baxter J. S. H., Akin O., Cantor-Rivera D. Prostate cancer detection using residual networks. Int.J. Comput. Assist. Radiol. Surg., 2019, vol. 14, no. 10, pp. 1647–1650.

Brunese L., Mercaldo F., Reginelli A., Santone A. Radiomics for Gleason Score Detection through Deep Learning. Sensors (Basel), 2020, vol. 20, no. 18, p. 5411.

Cao R., Mohammadian Bajgiran A., Afshari Mirak S., Shakeri S., Zhong X., Enzmann D., Raman S.,Sung K. Joint Prostate Cancer Detection and Gleason Score Prediction in mp-MRI via FocalNet. IEEE Trans. Med. Imaging, 2019, vol. 38, no. 11, pp. 2496–2506.

Hou Y., Zhang Y. H., Bao J., Yang G., Shi H.-B., Song Y., Yu-Dong Zhang Y.-D. Artificial intelligence is a promising prospect for the detection of prostate cancer extracapsular extension with mpMRI:a two-center comparative study. Eur. J. Nucl. Med. Mol. Imaging, 2021, vol. 48, no. 12, pp. 3805–3816.

Zong W., Lee J. K., Liu C., Carver E. N., Feldman A. M., Janic B., Elshaikh M. A., Pantelic M. V., Hearshen D., Chetty I. J., Movsas B., Wen N. A Deep Dive into Understanding Tumor Foci Classification using Multiparametric MRI Based on Convolutional Neural Network. Med. Phys., 2019, vol. 47, no. 9,pp. 4077–4086.

Somov A. N., Suslin S. A. Prostate cancer. Epidemiology, risk factors and early detection. Profilakticheskaya meditsina, 2020, vol. 23, no. 3, pp. 149–155. (In Russian)

Schelb P., Kohl S., Radtke J. P., Wiesenfarth M., Kickingereder P., Bickelhaupt S., Kuder T. A., Stenzinger A., Hohenfellner M., Schlemmer H. P., Maier-Hein K. H., Bonekamp D. Classification of Cancer at Prostate MRI: Deep Learning versus Clinical PI-RADS Assessment. Radiology, 2019, vol. 293, no. 3,pp. 607–617.

Youn S. Y., Choi M. H., Kim D. H., Lee Y. J., Huisman H., Johnson E., Penzkofer T., Shabunin I., Winkel D. J., Xing P., Szolar D., Grimm R., von Busch H., Son Y., Lou B., Kamen A. Detection and PI-RADS classification of focal lesions in prostate MRI: Performance comparison between a deep learningbased algorithm (DLA) and radiologists with various levels of experience. Eur. J. Radiol., 2021, vol. 142,p. 109894.

Sanford T., Harmon S. A., Turkbey E. B., Kesani D., Tuncer S., Madariaga M., Yang C., Sackett J., Mehralivand S., Yan P., Xu S., Wood B. J., Merino M. J., Pinto P. A., Choyke P. L., Turkbey B. Deep-Learning-Based Artificial Intelligence for PI-RADS Classification to Assist Multiparametric Prostate MRI Interpretation:A Development Study. J. Magn. Reson. Imaging, 2020, vol. 52, no. 5, pp. 1499–1507.

Le M. H., Chen J., Wang L., Wang Z., Liu W., Cheng K. T., Yang X. Automated diagnosis of prostate cancer in multi-parametric MRI based on multimodal convolutional neural networks. Phys. Med. Biol., 2017, vol. 62, no. 16, pp. 6497–6514.

Hao R., Namdar K., Liu L., Haider M. A., Khalvati F. A Comprehensive Study of Data Augmentation Strategies for Prostate Cancer Detection in Diffusion-weighted MRI using Convolutional Neural Networks.J. Digit. Imaging, 2020, vol. 34, no. 4, pp. 862–876.

Castillo T. J. M., Arif M., Starmans M. P. A., Niessen W. J., Bangma C. H., Schoots I. G., Veenland J. F. Classification of Clinically Significant Prostate Cancer on Multi-Parametric MRI: A Validation Study Comparing Deep Learning and Radiomics. Cancers (Basel), 2021, vol. 14, no. 1, p. 12.

Bonekamp D., Kohl S., Wiesenfarth M., Schelb P., Radtke J. P., Götz M., Kickingereder P., Yaqubi K.,Hitthaler B., Gählert N., Kuder T. A., Deister F., Freitag M., Hohenfellner M., Hadaschik B. A., Schlemmer H. P., Maier-Hein K. H. Radiomic machine learning for characterization of prostate lesions with MRI: Comparison to ADC values. Radiology, 2018, vol. 289, no. 1, pp. 128–137.

Meyer H. J., Wienke A., Surov A. Discrimination between clinical significant and insignificant prostate cancer with apparent diffusion coefficient — a systematic review and meta analysis. BMC Cancer,2020, vol. 20, no. 1, p. 482.

Algohary A., Shiradkar R., Pahwa S., Purysko A., Verma S., Moses D., Shnier R., Haynes A. M., Delprado W., Thompson J., Tirumani S., Mahran A., Rastinehad A. R., Ponsky L., Stricker P. D., MadabhushiA. Combination of Peri-Tumoral and Intra-Tumoral Radiomic Features on Bi-Parametric MRI Accurately Stratifies Prostate Cancer Risk: A Multi-Site Study. Cancers (Basel), 2020, vol. 12, no. 8,p. 2200.