Корейская больничная команда разработала модель ИИ для повышения выявляемости костных метастазов с использованием данных ПЭТ/КТ

Исследовательская группа больницы Борамэ в Сеуле недавно разработала модель искусственного интеллекта для выявления костных метастазов, трудно различимых на КТ-изображениях. В процессе обучения в модель были включены данные МРТ и ПЭТ/КТ, что позволило включить в обучающий набор очаги, слабо выраженные на КТ и часто пропускаемые при диагностике, тем самым повысив выявляемость.

Костные метастазы являются важным основанием для определения стадии рака и выбора тактики лечения. Если поражения на КТ-изображениях недостаточно чёткие, выявление костных метастазов может быть отсрочено, что может привести к таким осложнениям, как патологические переломы и компрессия спинного мозга. Ранее подобные исследования в области ИИ в основном опирались на очаги, чётко видимые на КТ, для формирования обучающих данных; исследовательская группа считает, что такой подход может упускать очаги, которые реально существуют, но трудно различимы на КТ.

В данном исследовании были включены КТ-изображения грудной и брюшной полостей 332 пациентов из четырёх медицинских учреждений Кореи, всего 502 изображения, на которых было размечено 4999 очагов костных метастазов. На основе алгоритма трёхмерной сегментации изображений “nnU-Net” команда разработала две модели ИИ: модель 1 обучалась только на очагах костных метастазов, чётко различимых на КТ; модель 2 обучалась на очагах, выявленных с помощью МРТ и ПЭТ/КТ, которые трудно обнаружить на КТ. Затем исследователи провели внешнюю валидацию с использованием данных другого медицинского учреждения.

Результаты показали, что полнота (recall) на уровне очагов у модели 2 составила 41,8%, что выше, чем 33,9% у модели 1, различие было статистически значимым (P<0,001). Даже при анализе только относительно чётких на КТ очагов костных метастазов модель 2 показала лучшие результаты, чем модель 1: 53,6% и 44,7% соответственно.

При сравнении с результатами ручного анализа изображений точность обнаружения очагов у модели 2 составила 80,1%, что выше, чем 66,6% у группы ординаторов-рентгенологов и 66,5% у группы экспертов по костно-мышечной радиологии. Однако по полноте обнаружения очагов модель 2 показала 41,8%, группа ординаторов — 39,4%, группа врачей костно-мышечной радиологии — 43,8%; статистически значимых различий между группами не наблюдалось.

Исследовательская группа отметила, что результаты показывают: эффективность медицинского ИИ зависит не только от алгоритма, но и от точности и полноты обучающих данных. Дополнение данных МРТ и ПЭТ/КТ для выявления очагов, трудно различимых на КТ, способствует формированию более полного обучающего набора данных. Данная модель ИИ в среднем выполняет анализ одного КТ-сканирования примерно за 49 секунд. Команда предполагает, что в будущем модель можно будет интегрировать в клинические системы просмотра изображений для маркировки подозрительных очагов, а также с помощью результатов сегментации количественно оценивать объём костных метастазов и их изменения до и после лечения.

Профессор Ким Дон Хён отметил, что ключевая особенность данного исследования заключается в формировании набора данных, включающего очаги, трудно выявляемые на КТ, с использованием МРТ и ПЭТ/КТ, а не только в обучении на чётко видимых на КТ поражениях. Он считает, что модель ИИ, обученная на высококачественных данных, продемонстрировала потенциал выявления костных метастазов на уровне врачей костно-мышечной радиологии; при применении в реальной практике чтения КТ она может служить вспомогательной страховочной сетью, помогая обнаруживать костные метастазы, которые могут быть пропущены при просмотре изображений.

Результаты исследования опубликованы в международном журнале «Radiology: Artificial Intelligence», том 8, выпуск 3, 2026 год.