С момента знакового определения радиомики в 2012 году эта дисциплина вышла за рамки своей первоначальной роли нишевого вычислительного инструмента и стала краеугольным камнем современной визуализации медицинских исследований. В настоящее время наблюдается сдвиг парадигмы: переход от субъективной, качественной интерпретации изображений к высокопроизводительному, количественному извлечению «скрытых» данных. Синергия между радиомикой и искусственным интеллектом (ИИ) больше не является просто перспективным направлением — это двигатель, приблизивший прецизионную медицину к клинической реальности.
Ступив за рамки традиционной онкологической направленности, это направление теперь охватывает широкий спектр медицинских областей: от современной онкологии до ортопедии и различных неонкологических заболеваний. В совокупности целый ряд исследований демонстрирует, как ИИ (глубокое обучение — DL, и машинное обучение — ML) и радиомика могут повысить точность диагностики, ускорить рабочие процессы, помогая врачам принимать более обоснованные клинические решения в различных областях медицины.
В самой же онкологической области радиомика и компьютерный разум больше не являются «новыми инструментами», а представляют собой линию разлома, вдоль которой онкологическая визуализация разделилась на прошлое и будущее. Здесь дисциплина переросла свою исследовательскую фазу: теперь она стремится к методологической зрелости и — что особенно важно — к клиническим амбициям.
Радиомика развивается с такой скоростью, какой традиционные исследования в области визуализации никогда не видели, переходя от созданных вручную признаков к глубокому обучению, от описательных исследований к клинически значимым моделям прогнозирования. Основными направлениями практического применения стали:
— прогнозирование выживаемости;
— риск метастазирования;
— эффективная проработка протоколов лечения;
— стратификация лимфатических узлов.
Итоги многолетних успешных исследований свидетельствуют о том, что медицинское сообщество больше не довольствуется описательными исследованиями с помощью методов визуализации, а стремится создавать инструменты, которые будут иметь значение у постели больного.
В прикладных работах других медицинских направлений демонстрируется расширенная интеграция этой технологии в сложные задачи реального мира. Специально разработанные модели неизменно соответствуют или превосходят человеческую точность сегментации, ускоряют время чтения и начинают решать главную задачу в лечении метастазов в головном мозге: надёжную дифференциальную диагностику и прогностическое моделирование, извлекая из изображений биологические данные и расшифровывая лежащие в их основе геномные изменения.
В области ортопедических заболеваний новые инструменты, применяемые в медицинской визуализации, представляют собой систему на основе глубокого обучения и радиомики для ранней диагностики синовита тазобедренного сустава при ювенильном идиопатическом артрите. Профильные модели, не перегружая возможности даже одного среднего сервера в дата-центре, могут обнаруживать тонкие ультразвуковые признаки, часто не различимые невооружённым глазом, сочетая автоматическую сегментацию и радиомическую классификацию для достижения впечатляющей диагностической точности. Разработки такого рода предлагают врачам ценный инструмент для раннего вмешательства в детской ревматологии.
Поддерживая высокие показатели качества изображений (сопоставимые со стандартными протоколами лечения) и значительно сокращая время получения изображений при сканировании МРТ коленного или локтевого сустава, ИИ может повысить эффективность рабочего процесса и комфорт пациента, успешно преодолевая разрыв между технологическими инновациями и клинической практической применимостью. Этот подход представляет собой важный шаг вперёд для весьма надёжного и автоматизированного анализа изображений опорно-двигательного аппарата, особенно для обнаружения мелких и сложных анатомических структур.
В ближайшем будущем ряд неонкологических заболеваний могут значительно выиграть от применения симбиоза радиомики и ИИ. Значительный вклад в эту область внесла разработка, посвящённая дифференциации медуллярной губчатой почки от обычного нефролитиаза. Объединив созданные вручную радиомические признаки с признаками глубокого обучения, авторы достигли почти идеальной диагностической точности для радиомической сигнатуры DL. Этот гибридный метод подчёркивает потенциал интегрированных моделей в решении сложных диагностических задач в урологии и улучшении принятия предоперационных решений.
При диагностике сердечно-сосудистых заболеваний и ишемической болезни сердца (ИБС) решается проблема автоматической оценки степени стеноза коронарных артерий. Новизна заключается в гибридном подходе, сочетающем двумерные радиомические признаки с латентными признаками, извлечёнными с помощью автокодировщиков из изображений коронарной компьютерной томографической ангиографии (CCTA). Используя набор данных из 2548 многоплоскостных реконструированных MPR-изображений, учёные реализовали каскадный конвейер для классификации пациентов на группы без ИБС, с необструктивной или обструктивной ИБС. Комбинированная модель значительно превзошла все подходы, использующие ручной метод диагностики человеком. Это открытие имеет важное значение для высокоточного скрининга коронарных артерий.
Комбинация этих дисциплин применяется для прогнозирования (на основе обследования МРТ) неврологического восстановления после хирургической декомпрессии при стенозе грудного отдела позвоночника — состоянии, при котором традиционные клинические маркеры часто не дают точных прогностических данных. Другое многоцентровое исследование было посвящено мониторингу содержания железа в печени у пациентов с талассемией в течение двух лет после трансплантации гемопоэтических стволовых клеток. Несмотря на различия в оборудовании и параметрах, обе модели продемонстрировали исключительную эффективность, что подчёркивает возможность создания моделей МРТ, специфичных для каждого медицинского центра.
В другом случае симбиоз радиомики и ИИ был применён для выявления неинфекционных острых обострений при хронической обструктивной болезни лёгких (ХОБЛ). Тут было задействовано КТ-сканирование — вся область лёгкого была сегментирована, посредством кластеризации, на три различных «среды обитания» (связанную с эмфиземой, бронховаскулярную и паренхимальную). Многовариантный анализ выявил оценку среды обитания и все стадии по классификации GOLD (Global Initiative for Chronic Obstructive Lung Disease), как независимые предикторы, предоставляя потенциальный биомаркер для количественной оценки гетерогенности лёгких. Переход к анализу «среды обитания» патогенов и гибридным моделям глубокого обучения представляет собой следующий рубеж в стандартизированной, прецизионной медицине.
Стандартизация, воспроизводимость, многоцентровая валидация и интеграция рабочих процессов остаются критически важными областями для немедленного развития, так как, к большому сожалению, медицинская наука развивается быстрее, чем клиническая инфраструктура, которая должна получать результаты научных открытий. Но траектория развития уже всем понятна: радиомика и ИИ позиционируют себя не как дополнения к визуализации, а как вычислительную основу медицины будущего.
