Основой цифровизации медицины принято считать системы поддержки принятия врачебных решений (СППВР) на основе искусственного интеллекта (ИИ). В качестве дисциплины, открытой к инновациям, урология имеет немало точек применения ИИ для внедрения в клиническую практику

Необъятный мир 

Врачевание в его классическом виде сегодня выглядит довольно архаично, ведь в медицину вошли новые методы и технологии. Это переход от открытых операций к минимально инвазивным и роботизированным вмешательствам, внедрение высокоинформативной инструментальной диагностики, цифровые технологии, расширившие наши возможности (например, удаленный мониторинг состояния пациента и телемедицина). 

Дискуссии об ИИ разгораются практически на каждой научной конференции, несмотря на поверхностное понимание многими специалистами его сути. Урология — не исключение. В основе функционирования ИИ лежит комплекс технологических решений, позволяющий имитировать когнитивные (мыслительные) функции человека и получать результаты, сопоставимые как минимум с результатами его интеллектуальной деятельности. Знакомство с разнообразием архитектур ИИ, способов обучения нейросети, обсуждение конкретных сценариев ее интеграции в клиническую практику уролога помогут ему в выработке отдельно взятых индивидуальных стратегий. Так, машинное обучение использует алгоритмы для анализа данных и обучения на основе выявленных закономерностей. Это может быть обучение: 

• с учителем: модель обучается на размеченных данных;
• без учителя: модель ищет скрытые закономерности в неразмеченных данных; 
• с подкреплением: модель обучается через взаимодействие с окружающей средой и получение обратной связи в виде вознаграждений или наказаний;
• глубокое обучение: подмножество машинного обучения, использующее многослойные нейронные сети для анализа данных и принятия решений. 

Подобно древесной кроне, из приведенных выше вариантов прорастает множество различных нейросетевых решений. Взять хотя бы машинное обучение. Оно основано на прогнозировании событий с помощью специализированных классификаторов (случайный лес, методы опорных векторов и К-ближайших соседей), в то время как глубокое обучение основано на применении более сложных архитектур и требует больших данных (big data). 

Высокая вариабельность использования ИИ в урологии объясняется многообразием входящей информации, которая предоставляется нейросетям для формирования умозаключений в соответствии с поставленными задачами. В качестве входных данных используют текст, аудиофайлы, изображения и видео. В зависимости от выбранного варианта данных и поставленных задач применяются соответствующие ИИ-модели. Более того, даже при решении одной задачи могут использоваться различные типы входных данных, как изолированно, так и комплексно, что также вносит вклад в разнообразие решений на основе ИИ. 

Существует достаточно много публикаций о сценариях интеграции ИИ в урологическую практику, не только подтверждающих существование бесконечного множества способов работы с ИИ, но и выходящих за рамки очевидного. Можно по-разному систематизировать сценарии нейросетевого ассистирования урологам в процессе принятия врачебных решений— фокусироваться на используемых входных данных, нозологии или прогнозируемых событиях. Наиболее удобен первый способ, позволяющий понять перспективы применения ИИ на конкретном этапе обследования, лечения или наблюдения за больными. 

Читать и понимать 

Концепция ИИ предполагает имитацию мыслительных функций человека, а потому может применяться в качестве второго мнения в принятии клинических решений на этапе осмотра и лабораторной диагностики. Информация структурируется в текстовом формате, который легко адаптируется к роли входных данных при обучении нейросетей. Полученные таким образом данные унифицируются в единой таблице вне зависимости от операционной системы персонального компьютера (ПК), которая в последующем используется при обучении. В качестве примера можно привести диагностику инфекций мочеполовых путей (ИМП), чему посвящено достаточно много работ. 

Так, Ozkan и соавт. описали результаты применения нескольких классификаторов из группы машинного обучения в диагностике цистита и неспецифического уретрита с использованием в качестве входных данных эритроцитурии, боли в надлобковой области и поллакиурии, что позволило добиться точности до 98,3 %. По мнению авторов, предлагаемое решение позволит снизить финансовую нагрузку на лечебные учреждения благодаря минимизации ненужных инструментальных исследований. Dhanda и соавт. описали модель NoMicro для диагностики ИМП по результатам анализа мочи с помощью тест-полосок, а также с учетом возраста, пола, наличия дизурии и упоминания ИМП в анамнезе. В итоге значение площади под кривой (AUC) составило 0,85, при этом метрики точности значимо не отличались от таковых при использовании результатов микроскопии мочи. 

Видеть и анализировать 

Визуализационные методы в урологии зачастую играют решающую роль в определении диагностической и лечебной тактики, поскольку предоставляют анатомо-функциональную характеристику органов мочеполовой системы. Однако тут бывает немало ложноотрицательных и ложноположительных результатов, а также расхождений в заключениях специалистов из-за влияния субъективного фактора на качество инструментальной диагностики, несмотря на существование специализированных протоколов интерпретации данных. Это повышает интерес к использованию ИИ для дифференциальной диагностики заболеваний мочеполовой системы вне зависимости от используемой модальности. 

Wentland и соавт., применившие машинное обучение при дифференциальной диагностике доброкачественных и злокачественных новообразований (ЗНО) почек по результатам компьютерной томографии (КТ), достигли значений точности 82 % и AUC — 0,8. Примечательно, что диагностические результаты трех независимых рентгенологов были значимо ниже (p = 0,02). 

Arif и соавт. описывают опыт глубокого обучения по Т2­взвешенным и диффузионно-­взвешенным изображениям (Т2ВИ и ДВИ) с b-фактором = 800 с/мм2 , а также ИКД-снимкам в выявлении и сегментации клинически значимого рака предстательной железы и подтверждении рака низкого риска (ISUP = 1) у пациентов, находящихся под активным наблюдением. AUC, чувствительность и специфичность достигали диапазона 0,65–0,89, 82–92 % и 43–76 % соответственно. 

Yu и соавт. использовали глубокое обучение в автоматизированной сегментации внутреннего и наружного слоев мышечной оболочки мочевого пузыря и опухоли по данным Т2ВИ. Коэффициент Соренсена — Дайса (DSC) составил 98,19 %, 82,24 % и 87,4 % соответственно. 

Интраоперационный ассистент 

Современная хирургия в урологии характеризуется широким спектром мини-инвазивных и робот-­ассистированных вмешательств, обеспечивающих минимальную травматизацию пациентов. Лишенному прямого контакта с операционным полем урологу необходимо уметь ориентироваться в его пространстве и идентифицировать различные структуры по 2Dи 3D-изображениям. Это особенно проблематично для ординаторов и молодых специалистов. Более того, даже опытные урологи рискуют столкнуться с незнакомыми им анатомическими вариациями и снижением четкости видеохирургической картины. И тут на выручку приходит ИИ в качестве инструмента навигации при проведении мини-инвазивных и робот-ассистированных вмешательств. 

Так, Liu и соавт. разработали и апробировали систему на основе ИИ для обнаружения и отслеживания в реальном времени положения устьев мочеточников при проведении цистоскопии с чувствительностью 0,902. Park и соавт. исследовали эффективность модели на основе глубокого обучения для сегментации структур малого таза при выполнении робот-­ассистированной радикальной простатэктомии. Среднее значение DSC для обнаружения и сегментации мочевого пузыря, простаты и семенных пузырьков составило 0,74, 0,85 и 0,84 соответственно. 

Zheng и соавт. использовали постпроцессинговую систему на основе глубокого обучения для коррекции изображения при проведении лапароскопических вмешательств с целью устранения таких искажающих факторов, как дым, размытие и запотевание линз. Данный подход статистически значимо снижал продолжительность пауз во время операции и беспокойство специалистов. 

Этические и правовые аспекты 

Разработка решений на основе ИИ и их популяризация—задачи не для одного отдельного специалиста, а для всего медицинского сообщества в целом. Как и всякая новая технология, ИИ имеет ряд ограничений и противоречий, которые следует учитывать. Открытым остается вопрос о необходимости получения информированного согласия пациентов на использование персональных данных в процессе обучения и тестирования моделей на основе ИИ. Если обосновать необходимость привлечения ИИ врач сможет достаточно легко, то объяснить больному, как именно нейросеть выстраивает причинно-следственные связи, будет затруднительно. 

Прозрачность моделей на основе ИИ обратно пропорциональна сложности структуры выбранного алгоритма (эффект черного ящика). При использовании ИИ, в отличие от рутинного статистического анализа, невозможно определить силу корреляции отдельных признаков с изучаемым исходом. В качестве выхода из этой ситуации были предложены протоколы разработки ИИ-решений. Так, в 2021 году Kwong и соавт. описали протокол STREAM-URO (The Standardized Reporting of Machine Learning Applications in Urology — «Стандартизированная отчетность о применении машинного обучения в урологии») для решения трех задач: 

• поощрение проведения высококачественных исследований и упрощение процесса экспертной оценки; 
• улучшение воспроизводимости, сопоставимости и интерпретируемости результатов; 
• расширение участия в машинном обучении и его понимания урологическим сообществом. 

Наконец, необходимо соблюдать все меры для сохранения анонимности больных. В соответствии с Федеральным законом от 27.07.2006 № 152-ФЗ «О персональных данных» медицинская организация обязана обеспечивать их защиту, соблюдая право пациента на неприкосновенность частной жизни, личной и семейной тайны. На первый взгляд, последний пункт является тупиковым для заинтересованных в популяризации ИИ урологов. Преодолеть это противоречие поможет разработка мультицентровых открытых комплексов данных с полным удалением информации, позволяющей идентифицировать пациента, что вполне возможно при наличии соответствующего программного обеспечения. 

Список литературы находится в редакции