Дифференциальная диагностика очаговых образований поджелудочной железы по данным эндоскопической ультрасонографии на основе анализа эхографической текстуры с использованием нечетких математических моделей

Актуальность: Дифференциальная диагностика очаговых образований поджелудочной железы является сложной клинической задачей из-за схожести их эхосемиотики различных патологий. Одним из путей объективизации и повышения точности данных ультразвукового исследования является использование методов искусственного интеллекта для интерпретации изображений.

Цель: Повышение качества дифференциальной диагностики очаговой патологии поджелудочной железы по данным эндоскопической ультрасонографии на основе анализа эхографической текстуры с использованием нечетких математических моделей.

Материал и методы: По поводу очаговых образований панкреатобилиарной зоны в Курской областной клинической больнице эндоскопическая ультрасонография выполнена у 272 пациентов. Использовалась эндоскопическая видеосистема фирмы Olympus EVIS EXERA II c ультразвуковым процессором EU-ME1. Солидные опухолевые образования поджелудочной железы выявлены у 109 (40,1 %) пациентов, локальные формы хронического панкреатита диагностированы у 40 (14,7 %) больных. По результатам исследований выделены основные типы эталонных эндосонограмм, соответствующих дифференцируемой патологии, на основании которых с использованием гибридных нечетких математических решающих правил получена нечеткая гибридная модель дифференциальной диагностики хронического очагового панкреатита и протоковой аденокарциномы поджелудочной железы.

Результаты: Выбранный источник информации и метод синтеза гибридных нечетких решающих правил позволили получить нечеткую гибридную модель дифференциальной диагностики хронического панкреатита и протоковой аденокарциномы. По результатам математического моделирования и статистических испытаний на репрезентативных контрольных выборках было показано, что полученная модель дифференциальной диагностики на основе эталонных эндосонограмм, отражающих эхографическую текстуру очаговых образований поджелудочной железы, обеспечивает уверенность в искомом диагнозе на уровне 0,6. Дополнительная информация, используемая при анализе эндосонограмм, повышает диагностическую уверенность до величины 0,9.

Заключение: Полученная модель дифференциальной диагностики хронического очагового панкреатита и протоковой аденокарциномы поджелудочной железы обеспечивает уверенность в принятиях решений не хуже 0,9, что является приемлемым показателем качества в клинической практике, позволяя ставить диагноз в условиях недостаточной статистики при плохо формализуемой структуре данных. 

1. Неустроев ВГ, Ильичева ЕИ, Владимирова АА. Эндоскопическая ультрасонография в дифференциальной диагностике хронического панкреатита и опухолей поджелудочной железы. Клиническая эндоскопия. 2007;3(12):31-43.

2. Gandhi NS, Feldman MK, Le O, Morris-Stiff G. Imaging mimics of pancreatic ductal adenocarcinoma. Abdom Radiol (NY). 2018 Feb;43(2):273-84. DOI: 10.1007/s00261-017-1330-1. PMID: 29038855.

3. Рябин НС, Катрич АН, Быков МИ и др. Возможности эндоскопической ультрасонографии в диагностике солидных новообразований поджелудочной железы. Кубанский научный медицинский вестник. 2018;25(6):177-83. DOI: 10.25207/1608-6228-2018-25-6-177-183.

4. Костина ЮД, Павелец КВ. Диагностика и лечение рака поджелудочной железы современное состояние проблемы. Медицина: теория и практика. 2018;3(3):16-26.

5. Kitano M, Yoshida T, Itonaga M, et al. Impact of endoscopic ultrasonography on diagnosis of pancreatic cancer. J Gastroenterol. 2019;54(1):19-32. DOI: 10.1007/s00535-018-1519- 2. Epub 2018 Nov 7. PMID: 30406288.

6. Canto MI, Harinck F, Hruban RH, et al. International Cancer of the Pancreas Screening (CAPS) Consortium summit on the management of patients with increased risk for familial pancreatic cancer. Gut. 2013;62(3):339-47.

7. Welinsky S, Lucas AL. Familial Pancreatic Cancer and the Future of Directed Screening. Gut Liver. 2017 Nov 15;11(6):761- 70. DOI: 10.5009/gnl16414. PMID: 28609837.

8. Старков ЮГ, Солодинина EH, Шишин КВ и др. Эндосонография в диагностике заболеваний органов гепатопанкреатобилиарной зоны. Хирургия. 2009(6):10-6.

9. Шишин КВ, Быстровская ЕВ, Недолужко ИЮ и др. Роль эндоскопии и эндо-УЗИ в диагностике рака поджелудочной железы. Анналы хирургической гепатологии. 2019;24(3):36-43. DOI: 10.16931/1995-5464.2019336-44.

10. Helmstaedter L, Riemann JF. Pancreatic cancer – EUS and early diagnosis. Langenbecks Arch Surg. 2008 Nov;393(6):923-7. DOI: 10.1007/s00423-007-0275-1. Epub 2008 Feb 5. PMID: 18247044.

11. Hawes RH, Fockens P. Endosonography. Elsevier Inc, 2006. 329 p.

12. Клюшкин ИВ, Кинзерский АЮ, Кинзерская МА и др. Количественная оценка ультразвукового изображения. Казанский медицинский журнал. 2005;86(3):237-40.

13. Воронцов ИМ, Шаповалов ВВ, Шерстюк ЮМ. Здоровье. Опыт разработки и обоснование применения автоматизированных систем для мониторинга и скринирующей диагностики нарушений здоровья. СПб.: ООО ИПК «Коста», 2006. 432 с.

14. Кореневский НА. Использование нечеткой логики принятия решений для медицинских экспертных систем. Медицинская техника. 2015. №1. С. 33-35.

15. Кореневский НА, Родионова СН, Хрипина ИИ. Методология синтеза гибридных нечетких решающих правил для медицинских интеллектуальных систем поддержки принятия решений. Старый Оскол: ТНТ. 2019. 472 с.

16. Кореневский НА. Проектирование нечетких решающих сетей, настраиваемых по структуре данных для задач медицинской диагностики. Системный анализ и управление в биомедицинских системах. 2005;4(1):12-20.

17. Круглов ВВ, Борисов ВВ. Искусственные нейронные сети. Теория и практика М.: Горячая линия – телеком, 2002. 382 с.

18. Осовский С. Нейронные сети для обработки информации. Пер. с польского. М.: Финансы и статистика. 2002. 344 с.

19. Попов ЭВ. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ. М.: Наука. 1987. 287 с.

20. Усков АА, Кузьмин АВ. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика. М.: Горячая линия – телеком. 2004. 143 с.

21. Устинов АГ, Ситарчук ВА, Кореневский НА. Автоматизированные медико-технологические системы. Курск. 1995. 390 с.

22. Яшин АА, Еськов ВМ, Агарков НМ и др. Информационные технологии в медицине. Тула, 2006. 272 с.

23. Хайкин С. Нейронные сети: Полный курс. 2-е изд, испр. Пер. с англ. М.: ООО «И.Д. Вильямс». 2006. 1104 с.

24. Buchanan BG, Shorliff EN. Rule Expert Systems – The MYCIN Experiments of the Stanfond Neuristic Programming Progect. Addison Wesley. 1984.

25. Korenevskiy NA, Gorbatenko SA, Krupchatnikov RA, Lukashov MI. Design of network-based fuzzy knowledge bases for medical decision-making support. Biomedical Engineering. 2009 Jul-Aug;(4):38-42. (In Russian)]. PMID: 19777975.

26. Zadeh LA. Advances in Fuzzy Mathematics and Engineering: Fuzzy Sets and Fuzzy Information-Granulation Theory. Beijing. Beijing Normal University Press. 2005.

27. Кореневский НА. Метод синтеза гетерогенных нечетких правил для анализа и управления состоянием биотехнических систем. Известия Юго-Западного государственного университета. Серия: управление, вычислительная техника, информатика. Медицинское приборостроение. 2013(2):99-103.

28. Кореневский НА, Серебровский НА, Коптева ВИ и др. Прогнозирование и диагностика заболеваний, вызываемых вредными производственными и экологическими факторами на основе гетерогенных моделей. Курск: Изд-во Курск. гос. с.-х. ак. 2012. 231 с.

29. Кореневский НА, Разумова КВ. Синтез коллективов гибридных нечетких моделей оценки состояния сложных систем. Наукоемкие технологии. 2014;12(15):31-9.

30. Korenevskiy NA. Application of fuzzy logic for decisionmaking in medical expert systems. Biomedical engineering. 2015;49:46-9.

31. Korenevskiy NA, Degtyarev SV, Seregin SP, Novikov AV. Use of an Interactive Method for Classification in Problems of Medical Diagnosis. Biomedical Engineering. 2013;47(4):169-72.

32. Аабакен Л, Агапов МЮ, Артемьев АИ и др. ЭУСбука: Руководство по эндоскопической ультрасонографии.– Москва: ИД «практическая медицина», 2013. 399 с.