Программная реализация системы принятия диагностических решений на основе мультипараметрических ультразвуковых показателей образований молочной железы

Автор: Гончарова А.Б., Бусько Е.А.

Журнал: Сибирский журнал клинической и экспериментальной медицины @cardiotomsk

Рубрика: Цифровые технологии поддержки решений в медицине

Статья в выпуске: 4 т.35, 2020 года.

Бесплатный доступ

Цель исследования: построение системы принятия диагностических решений на основании данных мультипараметрического ультразвукового исследования (УЗИ) молочной железы.Материал и методы. Обследованы 277 женщин с различными жалобами на заболевания молочных желез с помощью широкого спектра технологий УЗИ, включающих эластографию и контрастное усиление (КУ). Для верификации образований пациенткам было проведено гистологическое или цитологическое исследование. Результаты УЗИ, гистологического и цитологического заключения вносились в базу данных. Из базы данных выделена «обучающая» выборка в количестве 219 пациенток, проведена группировка выборки пациенток по визуальным характеристикам УЗИ, выполнен анализ групп данных, составлена таблица относительных частот встречаемости (вероятности) симптомов при данном диагнозе. На основании свертки и метода Байеса построена система поддержки принятия врачебного решения по возрасту, клинической картине и результатам ультразвуковой диагностики. По исходной базе данных для программной реализации определены чувствительность и специфичность.Заключение. Предложенная система поддержки принятия решения позволяет определить вероятность малигнизации, стандартизировать принятие решения в дифференциальной диагностике образований молочной железы.

Еще

Система поддержки диагностических решений, мультипараметрическое ультразвуковое исследование, молочная железа, онкология

Короткий адрес: https://sciup.org/149125363

IDR: 149125363 | DOI: 10.29001/2073-8552-2020-35-4-137-142

Текст научной статьи Программная реализация системы принятия диагностических решений на основе мультипараметрических ультразвуковых показателей образований молочной железы

Системы поддержки принятия диагностических решений в своей основе содержат диагностический алгоритм. Чтобы оценить важность и чувствительность отдельных показателей симптоматики, необходимо провести статистический анализ большого объема данных, выделить наиболее чувствительные к результату параметры, и именно эти параметры составят основу как диагностического алгоритма, так и системы поддержки принятия врачебных решений. Опираясь на стандартизированную шкалу оценки BI-RADS, M. Dietzel и соавт. [1] разработали блок-схему для изображений молочных желез, полученных с помощью магнитно-резонансной томографии (МРТ). Однако магнитно-резонансное исследование молочных желез относится к дорогостоящим и трудоемким методам. Кроме того, для его проведения требуется специальная катушка, которой оснащены далеко не все учреждения, что делает магнитно-резонансное исследование молочных желез менее доступным методом по сравнению с ультразвуковым исследованием (УЗИ). Следовательно, разработка системы поддержки диагностических решений по изображениям молочных желез, полученным в результате мультипараметрического УЗИ с применением соноэластографии (СЭГ), контрастного усиления (КУ), становится актуальной [2, 3]. Автоматизированная система поддержки принятия диагностического решения поможет снизить зависимость от врача, проводящего исследование.

Материал и методы

С 2018 по 2019 г. на базе ФГБУ «НМИЦ онкологии им. Н.Н. Петрова» Минздрава России были обследованы 277 женщин с различными жалобами на заболевания молочных желез с помощью широкого спектра тех- нологий УЗИ, включающих эластографию и КУ (2,5 мл Соновью), выполненных на ультразвуковом сканере Hitachi Hi Vision Ascendus с применением линейного датчика в диапазоне частот 5–13 МГц. Общая характеристика пациенток, входящих в выборку, приведена в таблице 1.

Таблица 1. Общая характеристика пациенток, входящих в выборку

Table 1. General characteristics of patients included in the sample

Показатели Parameters	Минимальные и непаль-пируемые образования <15 мм, абс. Minimal and non-palpable lesions <15 mm, abs.	Минимальные и непаль-пируемые образования <15 мм, % Minimal and non-palpable lesions < 15 mm, %	Пальпируемые образования >15 мм, абс. Palpable lesions >15 mm, abs.	Пальпируемые образования >15 мм, % Palpable lesions >15 mm, %	Всего, абс. Total, abs.	Всего, % Total, %
Число больных Number of patients	148	67,58	71	32,42	219	100,00
Средний возраст, лет Average age, years	44,4 ± 11,0		41,5 ± 11,7		43,6 ± 12,1
Репродуктивный период Reproductive period	105	70,95	51	71,83	156	71,23
Менопауза Menopause	43	29,05	20	28,17	63	28,77

При подозрении на злокачественный процесс (n = 76) выполнялась трепан биопсия с последующим гистологическим, а при необходимости – иммунохими-ческим исследованием. При ультразвуковых признаках доброкачественного заболевания (n = 201) проводилась пункция для исключения злокачественного процесса с последующим цитологическим исследованием. Для всех пациентов результаты УЗИ, гистологического и цитоло- гического заключения вносились в базу данных. Из 277 больных у 219 по данным мультипараметрического УЗИ молочной железы с применением СЭГ и КУ было совпадение диагноза с гистологическим и цитологическим заключением [4, 5]. В соответствии с ультразвуковыми характеристиками в В-режиме и данными гистологического и цитологического заключения больные были разделены на 6 групп (табл. 2).

Таблица 2. Группировка пациентов по визуальным характеристикам образований

Table 2. Group of patients by visual characteristics of formations

Доброкачественные образования Benign lesions

Злокачественные образования Malignant lesions

Группа 1 – солидные образования с кистозным компонентом ( n = 53): локальный аденоз, жировой некроз, сложная киста, цистаденопапил-лома

Group 1 – solid formations with a cystic component ( n = 53): local adenosis, fat necrosis, complex cyst, cystadenopapilloma

Группа 4 – солидные образования, имеющие четкие контуры ( n = 28): метапластический рак, муцинозный рак, нейроэндокринный рак, папиллярный рак, саркома, филлоидная опухоль злокачественного типа, неспецифический рак в виде узла с четкими контурами, метастазы меланомы, лимфома

Group 4 – solid formations with clear contours ( n = 28): metaplastic cancer, mucinous cancer, neuroendocrine cancer, papillary cancer, sarcoma, phylloid tumor of a malignant type, nonspecific cancer in the form of a node with clear contours, melanoma metastases, lymphoma

Группа 2 – участки нарушения архитектоники ткани железы ( n = 35): воспалительные изменения, локализованный фиброаденоматоз, пролиферативные изменения протоков, склерозирующий аденоз, фиброз Group 2 – areas of abnormal architectonics in gland tissue ( n = 35): inflammatory changes, localized fibroadenomatosis, proliferative changes in the ducts, sclerosing adenosis, fibrosis

Группа 5 – солидные образования, имеющие нечеткие контуры ( n = 32): неспецифический рак в виде узла с нечеткими контурами

Group 5 – solid formations with fuzzy contours ( n = 32): nonspecific cancer in the form of a node with fuzzy contours

Группа 3 – солидные образования, имеющие четкие контуры ( n = 67): гранулема, папиллома, фиброаденома, фибролипома, филлоидная опухоль доброкачественного типа

Group 3 – solid formations with clear contours ( n = 67): granuloma, papilloma, fibroadenoma, fibrolipoma, benign phylloid tumor

Группа 6 – участки нарушения архитектоники ( n = 4): протоковая карцинома in situ , тубулярный рак

Group 6 – areas of impaired architectonics ( n = 4): ductal carcinoma in situ , tubular carcinoma

Для расчета относительных частот встречаемости симптомов, вошедших в систему принятия диагностического решения, были учтены клинические данные и весь спектр мультипараметрических ультразвуковых признаков, включающих режимы серошкального В-режима, СЭГ и КУ.

С использованием Microsoft Excel 365 проведен первичный анализ данных 219 пациентов, включающий расчет частоты встречаемости определенного количественного номинального показателя в каждой группе [6]: количество объектов в группе с данным конкретным значением критерия относительно общего количества объектов (менструальный статус, пальпируемость образования, мутация гена BRACA 1, 2; эхогенность, эхоструктура, капсула, четкость контура, ровность контура, форма, ориентация образования, васкуляризация образования при цветовом допплеровском картировании (ЦДК), локализация кровотока при ЦДК, эластотип; оценка васкуляризации патологических образований молочной железы в режиме КУ проводилась по классификации паттернов контрастирования [7] – CEUS (contrast-enhanced ultrasound) паттерн, тип кинетической кривой).

Для представления количественных данных в группах (возраст, размер образования, коэффициент жесткости (StR), показатели пиковой интенсивности (ПИ) и времени пиковой интенсивности (ВПИ)) проведен расчет квартилей для оценки распределения результатов: нижний квартиль Q1 (25%), 50% квартиль Q2, который соответ- ствует медиане, и верхний квартиль Q3 (75%). Таким образом, для каждой группы определен числовой интервал от нижнего квартиля до верхнего квартиля, содержащий 50% объектов в группе [8]. Для поиска различий между группами использовался критерий Краскела – Уоллиса. H-критерий Краскела – Уоллиса предназначен для оценки различий одновременно между тремя, четырьмя и более несвязанными выборками по уровню какого-либо признака. Для всех показателей p-уровень – меньше 0,05, следовательно, имеются статистически значимые различия. По результатам анализа составлена база данных принадлежности симптомов (их выделено 20) данному заболеванию, часть базы приведена в таблице 3.

Таблица 3. База данных принадлежности симптомов данной группе

Table 3. Database of symptoms pertain to the given group

	Группа 1 Group 1	Группа 2 Group 2	Группа 3 Group 3	Группа 4 Group 4	Группа 5 Group 5	Группа 6 Group 6
Возраст, лет ( Q ₁, Q ₃) Age, years ( Q ₁, Q ₃)	(37; 50)	(37; 47)	(30; 45)	(54; 62)	(37; 57)	(42; 59)
Менструальный статус / menstrual status:
1 – репродуктивный / reproductive	0,70	0,86	0,87	0,13	0,54	0,50
2 – менопауза / menopause	0,30	0,14	0,07	0,88	0,46	0,50
Пальпируемость образования: Palpability of lesion:
1 – да / yes	0,75	0,89	0,63	0,25	0,38	0,99
2 – нет / no	0,25	0,11	0,37	0,75	0,62	0,01
Мутация гена BRACA 1,2: BRACA gene mutation 1,2:
1 – да / yes	0,04	0,01	0,01	0,01	0,04	0,25
2 – нет / no	0,96	0,99	0,99	0,99	0,96	0,75
Размер УЗИ, мм, ( Q ₁, Q ₃) US size, mm ( Q ₁, Q ₃)	(9; 15)	(9; 15)	(11; 22)	(20; 41)	(12; 23)	(11; 14)
Эхогенность / еchogenicity:
1 – гипоэхогенный / hypoechoic	0,63	0,90	0,92	0,97	0,90	0,97
2 – гетероэхогенный / heteroechoic	0,34	0,06	0,04	0,01	0,08	0,01
3 – анэхогенный / anechoic	0,02	0,01	0,01	0,01	0,01	0,01
4 – изоэхогенный / isoechoic	0,01	0,03	0,03	0,01	0,01	0,01
Эхоструктура / еchostructure:
1 – однородная / homogeneous	0,11	0,03	0,21	0,01	0,19	0,50
2 – неоднородная / heterogeneous	0,89	0,97	0,79	0,99	0,81	0,50
Капсула / сapsule:
1 – есть / yes	0,21	0,01	0,22	0,13	0,01	0,01
2 – нет / no	0,79	0,99	0,78	0,88	0,99	0,99
Четкость контура / оutline clarity:
1 – есть / yes	0,69	0,20	0,75	0,75	0,38	0,25
2 – нет / no	0,33	0,80	0,25	0,25	0,62	0,75

Математическая методика дифференциации диагноза в общем случае выбора между несколькими группами приведена в работе Н. Бейли [9]. На основании введенных значений программа вычисляет значение результирующего показателя симптоматики группы на основе свертки частных показателей по формуле Байеса, потом считает сумму значений результирующих показателей для всех групп. По определению вероятности производится подсчет вероятности отнесения данного пациента с заданными симптомами к конкретной группе как вычис- ленное значение результирующего показателя симптоматики группы, деленное на сумму значений результирующих показателей всех групп.

Система поддержки принятия диагностического решения реализована средствами языка программирования c++ с использованием интегрированной среды разработки Microsoft Visual Studio, к системе разработано внешнее приложение, где для пациентки вводятся показатели ультразвуковой диагностики. Результат работы программы выводится в окне (рис. 1).

Вычислить

Calculate

Пациент принадлежит к группе 3

Вероятность = 99,60%

The patient belongs to group 3 Probability = 99.60%

Рис. 1. Результат работы программы

Fig. 1. The result of program work

Результаты

В ходе исследования была определена диагностическая эффективность системы поддержки принятия врачебных решений, для этого система была протести- рована на исходной базе из 277 пациенток. Диагностическая эффективность математического метода при определении злокачественности образования показала чувствительность – 90,8%, специфичность – 95,5%, прогностичность положительного результата – 88,5%, прогностичность отрицательного результата – 96,4%, точность – 94,2%. Диагностическая эффективность математического метода при отнесении образования к определенной группе диагнозов показала чувствительность – 84,2%, специфичность – 81,1%, прогностичность положительного результата – 62,7%, прогностичность отрицательного результата – 93,1%, точность – 81,9%. Результаты анализа свидетельствуют об эффективности предложенной системы в дифференциальной диагностике доброкачественных и злокачественных образований молочной железы.

Выводы

Предложенная система поддержки принятия диагностического решения на основании статистически значимых мультипараметрических ультразвуковых признаков имеет существенный потенциал для практического применения с целью повышения диагностической эффективности. Предложенная система поддержки принятия решения позволяет определить вероятность малигниза-ции, стандартизировать принятие решения в дифференциальной диагностике образований молочной железы и тем самым нивелировать оператор-зависимость ультразвукового метода.

Список литературы Программная реализация системы принятия диагностических решений на основе мультипараметрических ультразвуковых показателей образований молочной железы

Dietzel M., Baltzer P.A.T. How to use the Kaiser score as a clinical decision rule for diagnosis in multiparametric breast MRI: A pictorial essay. Insights Imaging. 2018;9(3):325-335. DOI: 10.1007/s13244-018-0611-8
Li J., Guo L., Yin L., Fang H., Ye W., Zhao B. et al. Can different regions of interest influence the diagnosis of benign and malignant breast lesions using quantitative parameters of contrast-enhanced sonography? Eur. J. Radiol. 2018;108:1-6. DOI: 10.1016/j.ejrad.2018.09.005
Cheng R., Li J., Ji L., Liu H., Zhu L. Comparison of the diagnostic efficacy between ultrasound elastography and magnetic resonance imaging for breast masses. Exp. Ther. Med. 2018;15(3):2519-2524. DOI: 10.3892/etm.2017.5674
Itoh A., Ueno E., Tohno E., Kamma H., Takahashi H., Shiina T. et al. Breast disease: clinical application of US elastography for diagnosis. Radiology. 2006;239(2):341-350. DOI: 10.1148/radiol.2391041676
Бусько Е.А., Мищенко А.В., Семиглазов В.В. Определение порогового значения соноэластографического коэффициента жесткости в дифференциальной диагностике доброкачественных и злокачественных новообразований молочной железы. Кремлевская медицина. Клинический вестник. 2013;(1):112-115.
Гончарова А.В. Постановка предварительного медицинского диагноза на основе теории нечетких множеств с использованием меры Сугено. Вестник Санкт-Петербургского университета. Серия. 10. Прикладная математика. Информатика. Процессы управления. 2019;15(4):529-543. DOI: 10.21638/11702/spbu10.2019.409
Бусько Е.А. Паттерны контрастного ультразвукового исследования молочной железы. Радиология - Практика. 2017;(4):6-17.
Гончарова А.В., Аржаник А.А. Сравнение способов преобразования количественных данных в бинарные при предсказании рисков осложнений внебольничной пневмонии. Процессы управления и устойчивость: труды 51-й международной научной конференции аспирантов и студентов. 2020;7(1):148-152. URL: https://dspace.spbu.ru/handle/11701/18515.
Бейли Н. Математика в биологии и медицине. М.: Мир; 1970:327.

Еще

Статья научная