Роль искусственного интеллекта в оценке прогрессирующих фиброзирующих болезней легких - Журнал Терапевтический архив №3 Вопросы пульмонологии 2022

Роль искусственного интеллекта в оценке прогрессирующих фиброзирующих болезней легких

Сперанская А.А. Роль искусственного интеллекта в оценке прогрессирующих фиброзирующих болезней легких. Терапевтический архив. 2022;94(3):409–412. DOI: 10.26442/00403660.2022.03.201407

________________________________________________

Speranskaia AA. The role of artificial intelligence in assessing the progression of fibrosing lung diseases. Terapevticheskii Arkhiv (Ter. Arkh.). 2022;94(3):409–412. DOI: 10.26442/00403660.2022.03.201407

Читать PDF

Аннотация

Применение в период пандемии COVID-19 программ искусственного интеллекта (ИИ) для оценки точного объема поражения легочной ткани позволило обучить им большое число рентгенологов. Простота программы определения пораженной легочной ткани при острой интерстициальной пневмонии, имеющей плотностные показатели в промежутке от -200 единиц Хаунсфилда (HU) до -730 HU, куда входят плотностные показатели «матового стекла» и ретикуляции (основных лучевых паттернов при COVID-19), позволяет точно определить степень распространенности процесса. В те же плотностные рамки укладываются характеристики хронических фиброзирующих интерстициальных заболеваний легких, имеющих прогрессирующий характер. Определение степени распространенности кистозного поражения с помощью программы обсчета эмфиземы дает полное представление об объеме утраченной легочной ткани.
Цель. Определить возможности ИИ в оценке прогрессирования фиброзирующих болезней легких.
Материалы и методы. Ретроспективный анализ данных компьютерной томографии при динамическом наблюдении 75 пациентов с прогрессирующими фиброзирующими болезнями легких позволил оценить распространенность и нарастание поражения.
Результаты. Программы определения объема поражения легочной ткани позволили точно оценить степень распространенности интерстициальных изменений при фиброзирующих болезнях легких и коррелировали с наиболее важным параметром легочного ресурса – диффузионной способностью легких. Степень нарастания интерстициальных изменений при прогрессировании и обострении имела высокую связь по шкале Чеддока (p<0,05; r=0,72) со степенью снижения диффузионной способности легких. Сочетание идиопатического легочного фиброза с хронической обструктивной болезнью легких, выявленное у 23 (30,6%) пациентов, и необходимость определения протяженности «сотового легкого» с крупным диаметром «сот», отмеченного у 42 (56%) больных, требовало применения сочетанного подсчета объема поражения легочной ткани с вычленением диапазона плотностей, используемых как для COVID-19-поражения легких, так и для кистозно-эмфизематозного поражения, позволяя точно оценить степень распространенности интерстициальных и кистозных изменений при идиопатическом легочном фиброзе.
Заключение. Опыт использования программ ИИ для определения степени распространенности острой интерстициальной пневмонии при COVID-19 и эмфиземы при хронической обструктивной болезни легких может быть применен для оценки прогрессирования хронических фиброзирующих интерстициальных заболеваний легких, что важно для своевременного назначения антифибротической терапии.

Ключевые слова: компьютерная томография, искусственный интеллект, прогрессирующие фиброзирующие интерстициальные заболевания легких

________________________________________________

Introduction. The widespread use of artificial intelligence (AI) programs during the COVID-19 pandemic to assess the exact volume of lung tissue damage has allowed them to train a large number of radiologists. The simplicity of the program for determining the volume of the affected lung tissue in acute interstitial pneumonia, which has density indicators in the range from -200 HU to -730 HU, which includes the density indicators of "ground glass" and reticulation (the main radiation patterns in COVID-19) allows you to accurately determine the degree of prevalence process. The characteristics of chronic interstitial pneumonia, which are progressive in nature, fit into the same density framework.
Аim. To аssess AI's ability to assess the progression of fibrosing lung disease using lung volume counting programs used for COVID-19 and chronic obstructive pulmonary disease.
Results. Retrospective analysis of computed tomography data during follow-up of 75 patients with progressive fibrosing lung disease made it possible to assess the prevalence and growth of interstitial lesions.
Conclusion. Using the experience of using AI programs to assess acute interstitial pneumonia in COVID-19 can be applied to chronic interstitial pneumonia.

Keywords: computer tomography, artificial intelligence, progressive fibrosing interstitial lung diseases

Полный текст

Материалы доступны только для специалистов сферы здравоохранения.
Чтобы посмотреть материал полностью Авторизуйтесь или зарегистрируйтесь.

Список литературы

1. Inui S. Radiology: Cardiothoracic Imaging, 8 April 2020.
Available at: https://www.researchgate.net/journal/Radiology-Cardiothoracic-Imaging-2638-6135. Accessed at: 24.02.2022.
2. Han X, Fan Y, Alwalid O, et al. Six-month Follow-up Chest CT Findings after Severe COVID-19 Pneumonia. Radiology. 2021;299(1):E177-86. DOI:10.1148/radiol.2021203153
3. Flaherty KR, Wells AU, Cottin V, et al. Nintedanib in Progressive Fibrosing Interstitial Lung Diseases. N Engl J Med. 2019;381(18):1718-27. DOI:10.1056/nejmoa1908681
4. Cottin V, Wollin L, Fischer A, et al. Fibrosing interstitial lung diseases: knowns and unknowns. Eur Respir Rev. 2019;28(151). DOI:10.1183/16000617.0100-2018
5. Raghu G, Collard HR, Egan JJ, et al. An official ATS/ERS/JRS/ALAT statement: idiopathic pulmona ry fibrosis; evidence based guidelines for diagnosis and management. Am J Respir Crit Care Med. 2011;183:788-824.
6. Сперанская А.А., Новикова Л.Н., Двораковская И.В., и др. Лучевая и морфологическая картина фиброзирующих болезней легких: от ранних признаков до исхода. Лучевая диагностика и терапия. 2020;11(2):89-98 [Speranskaya AA, Novikova LN, Dvorakovskaya IV, et al. Radiation and morphological picture of fibrosing lung diseases: from early signs to outcome. Diagnostic Radiology and Radiotherapy. 2020;11(2):89-98 (in Russian)]. DOI:10.22328/2079-5343-2020-11-2-89-98
7. Maldonado F, Moua T, Rajagopalan S, et al. Automated quantification of radiological patterns predicts survival in idiopathic pulmonary fibrosis. Eur Respir J. 2014;43(1):204-12. DOI:10.1183/09031936.00071812
8. Jacob J, Bartholmai B, Rajagopalan S, et al. Mortality prediction in idiopathic pulmonary fibrosis: evaluation of automated computer-based CT analysis with conventional severity measures. Eur Respir J. 2017;49:1601011. DOI:10.1183/13993003.01011-2016

________________________________________________

Авторы

А.А. Сперанская*

ФГБОУ ВО «Первый Санкт-Петербургский государственный медицинский университет им. акад. И.П. Павлова» Минздрава России, Санкт-Петербург, Россия
*a.spera@mail.ru

________________________________________________

Aleksandra A. Speranskaia*

Pavlov First Saint Petersburg State Medical University, Saint Petersburg, Russia
*a.spera@mail.ru

Назад к списку

Цель портала OmniDoctor – предоставление профессиональной информации врачам, провизорам и фармацевтам.