Подходы к улучшению прогнозирования нарастания пирамидной симптоматики в послеоперационном периоде у пациентов с глиальными опухолями головного мозга при помощи методов машинного обучениятезисы доклада
Место издания:ООО "Семинары, Конференции и Форумы" Москва
Аннотация:Введение.
Хирургия глиом, расположенных вблизи моторной коры и кортикоспинального тракта, сопряжена с высоким риском нарастания пирамидной симптоматики. Объективный прогноз вероятности двигательного ухудшения в послеоперационном периоде является отдельной важной задачей. Для ее решения, как правило, используют методы статистического анализа. Ранее нами была разработана искусственная нейронная сеть (ИНС) Shallow, способная на основании данных предоперационной МРТ прогнозировать риск нарастания моторного дефицита после операции (Accuracy 82%, Sensitivity 87%, Specificity 72%, ROC AUC 82% и F1 83%). Однако, отдельный интерес представляют подходы по улучшению алгоритмов для анализа медицинских данных.
Цель. Улучшение искусственной нейронной сети (ИНС), способной по представленным дооперационным МР-изображениям прогнозировать вероятность развития или нарастания уже имеющегося гемипареза у пациентов с глиальными опухолями головного мозга.
Материалы и методы. Эксперименты проводились с ИНС (Shallow), обученной на 527 пациентах с супратенториальными глиомами, оперированными в Центре нейрохирургии с 2013 по 2018 г.-г. Основная проблема медицинских исследований – малый объем выборки. Было использовано несколько подходов по улучшению данной неоптимизированной ИНС. Трансферное обучение с предварительным использованием большого публичного датасета (Wang X,2017), равно как и стандартные подходы к обогащению выборки значимых результатов не показали. Поэтому был предложен альтернативный метод обогащения выборки методом зашумления при помощи состязательных примеров. Суть данного обогащения заключается в наложении поверх исходного изображения определенным образом построенного шума, который не меняет визуальное восприятие, но полностью изменяет результат работы ИНС.
Результаты. После применения предложенного подхода во время обучения ИНС, показатели в прогнозировании нарастания пареза в послеоперационном периоде улучшились до Accuracy 91%, Sensitivity 94%, Specificity 89%, ROC AUC 91% и F1 92% соответственно. Также стоит отметить, что полученные результаты значительно выше, чем при использовании таких стандартных архитектур ИНС как ImageNet, VGG16, VGG19, ResNet18, ResNet34 и Inception v3.
Выводы. Применение предложенного метода обогащения выборки состязательными примерами позволяет существенно улучшить результат работы полученного алгоритма, делая применение ИСН в прогнозировании нарастания моторного дефицита в послеоперационном периоде на основании данных дооперационной МРТ более эффективной методикой.
Ограничения. Развитие гемипарезов у пациентов с глиомами головного мозга может быть связано с различными факторами, не учтенными данной моделью, такими как: 1) тактикой хирурга и клиники 2) методами картирования мозга 3) взаимоотношением опухоли и пирамидного тракта 4) типом роста глиомы.
При поддержке гранта РФФИ мк No19-29-01154 «Прогнозирование нарастания пирамидной симптоматики и ее обратимости у пациентов с супратенториальными глиальными опухолями головного мозга, расположенными вблизи двигательных зон, с использованием метода переноса знаний и глубоких нейронных сетей на основе мультифакторного анализа массивов цифровых данных разной модальности».