Введение

Стандарты проведения колоноскопии, закрепленные международными и российскими профессиональными сообществами, основаны на ключевых показателях качества, таких как частота обнаружения аденом, качество подготовки толстой кишки, время выведения колоноскопа, а также обязательное подтверждение интубации слепой кишки [1—3]. Соблюдение этих критериев обеспечивает более высокую канцерпревенцию и снижает риск развития интервального рака [4].

Согласно международным рекомендациям, показатель интубации слепой кишки должен составлять не менее 90% от всех проведенных в течение указанного срока эндоскопических исследований толстой кишки [5]. Низкое значение этого показателя ассоциировано с высоким уровнем интервального проксимального рака толстой кишки [6]. При плохой подготовке толстой кишки к эндоскопическому исследованию значительно затрудняются осмотр и выполнение фотодокументации слепой кишки, что в свою очередь снижает показатель количества тотальных колоноскопий.

Эндоскопические отделения, где проводится анализ соблюдения критериев качества, могут проводить анализ причин как плохой подготовки, так и интубации слепой кишки, тем самым влиять на повышение эффективности работы при организации и проведении скрининговых колоноскопий [7]. Обнаружены значительные различия в частоте интубации слепой кишки среди врачей-эндоскопистов. По данным литературы, частота достижения купола слепой кишки варьирует в широком диапазоне (58,8—100%), а соблюдение стандартов фотодокументации устья червеобразного отростка — от 6 до 81 % [8]. В настоящее время предложено небольшое количество автоматизированных методов подтверждения проведения тотальной колоноскопии для соблюдения стандартов показателей качества [9].

В последние годы в эндоскопии наметилась тенденция по внедрению систем искусственного интеллекта (ИИ) для улучшения качества проведения эндоскопических исследований. Ранее уже предпринимались попытки использовать ИИ для обнаружения интубации слепой кишки, включая обнаружение краев по геометрическим формам, изменению цветовой интенсивности [10]. Однако исследования в области применения ИИ в эндоскопии ускорились благодаря машинному обучению. В частности, эти методы лучше всего описаны в области компьютерного обнаружения полипов (CADe) и прогнозирования гистологической структуры полипов (CADx) [11]. Проведены исследования по внедрению ИИ для оценки основных показателей качества, в том числе автоматизированного расчета показателя выявления аденоматозных поражений (ADR) [12]. Актуальность использования ИИ при скрининговой колоноскопии также определяется задачей повышения показателя выявления аденом и снижения доли пропущенных эпителиальных новообразований, что способствует профилактике колоректального рака (КРР). Даже при строгом соблюдении стандартов выполнения колоноскопии и всех критериев контроля качества доля пропущенных аденом остается значимой и может достигать 20—30% [12]. Это формирует потребность в технологиях, повышающих объективность и воспроизводимость эндоскопической диагностики, включая ИИ-системы, функционирующие в режиме реального времени [13, 14]. В нашей стране и в мире наблюдаются тенденции к созданию высокоэффективных систем ИИ с целью повышения качества проведения скрининговой колоноскопии.

Цель исследования — оценить возможность использования системы ИИ для автоматизированной оценки двух показателей качества колоноскопии: интубации слепой кишки и детекции эпителиальных новообразований толстой кишки с предварительной оценкой риска инвазивного роста.

Материал и методы

Проведено проспективное одноцентровое исследование, в котором на основе системы ИИ оценивалось соблюдение двух критериев качества колоноскопии — интубация слепой кишки и детекция эпителиальных новообразований толстой кишки с оценкой риска инвазивного процесса.

Клиническим материалом исследования стали данные фото- и видеодокументов, полученные при выполнении колоноскопии в ГБУЗ Ярославской области «Клиническая онкологическая больница» и в ФГБОУ ВО «Ярославский государственный медицинский университет». Исследование одобрено этическим комитетом ФГБОУ ВО «Ярославский государственный медицинский университет» Минздрава России (протокол №78 от 11 июня 2025 г.).

Изображения создавались во время проведения колоноскопии путем фотофиксации эндоскопом разных отделов толстой кишки, в том числе устья червеобразного отростка и эпителиальных новообразований. База данных представлена изображениями с разрешениями 624×528 и 640×480 пикселей, полученными с эндоскопических систем EXERA III Olympus (Olympus Medical Systems Corp., Япония) и видеоколоноскопов Olympus CF-Q180AL и Olympus CF-Q190AL (Olympus Medical Systems Corp., Япония).

Критерии включения пациентов для использования эндоскопических изображений: наличие информированного добровольного согласия, возраст от 18 до 80 лет.

Критерии исключения пациентов для использования эндоскопических изображений: аппендэктомия в анамнезе, пациенты с диагнозом КРР, с незавершенной колоноскопией, с недостаточной подготовкой толстой кишки (по Бостонской шкале ≤8 баллов).

Для достижения отличной подготовки толстой кишки применялась современная схема, включающая в себя раствор трисульфата (Эзиклен) в сплит-режиме с дополнительным назначением комбинированного препарата Метеоспазмил с целью снижения количества пенистого секрета и повышения качества визуализации всех анатомических зон и поверхности слизистой оболочки. Оценка качества подготовки толстой кишки проводилась с помощью валидированной Бостонской шкалы [1]. Все пациенты, чьи изображения использованы в исследовании, подписали информированное добровольное согласие на использование обезличенных фото- и видеоматериалов в научных целях. Все изображения прошли процедуру полной анонимизации, исключающую возможность идентификации пациента. Работа по созданию системы поддержки принятия решений врача на основе оценки полученных медицинских изображений проведена экспертами центра искусственного интеллекта и цифровой экономики ФГБОУ ВО «Ярославский государственный университет им. П.Г. Демидова».

Для проведения исследования по идентификации купола слепой кишки использована база данных, состоящая из 103 видеопоследовательностей эндоскопических исследований толстой кишки, выполненных в ГБУЗ ЯО ОКОБ. Область купола слепой кишки находилась на них в среднем в течение 1 мин 19 с, таким образом, нами использовался способ физической аугментации данных. На нейронную сеть подавался фрагмент видеоизображения с разрешением 640×640 пикселей. Подготовлены также обучающая (8436 изображений), валидационная (1024 изображения) и тестовая (1024 изображения) выборки эндоскопических изображений (рис. 1).

Рис. 1. Примеры эндоскопических изображений толстой кишки.

а — изображение без устья червеобразного отростка слепой кишки; б — изображение с устьем червеобразного отростка слепой кишки.

Модуль ИИ для подтверждения тотальной колоноскопии необходимо обеспечить объективным визуальным критерием интубации слепой кишки. Таким универсальным ориентиром является устье червеобразного отростка, чье анатомическое расположение делает его хорошо различимым. Фотодокументация устья является обязательным критерием для оценки проведения тотальной колоноскопии, обладая высокой специфичностью и воспроизводимостью.

Известно о выделении трех основных морфологических типов устья червеобразного отростка (рис. 2) [15]. Различия между ними могут затруднять как визуальную идентификацию врачом, так и автоматическое распознавание. Поэтому современные алгоритмы должны обучаться на разнообразных данных, охватывающих все основные типы устья.

Рис. 2. Примеры эндоскопических типов устья червеобразного отростка.

а — дивертикулоидный: широкое открытое устье без выраженных складок; б — умбиликоидный: закрытое отверстие, окруженное концентрическими складками; в — криволинейный: изогнутая щелевидная форма с минимальной складчатостью.

Исследование также включало в себя детекцию и характеристику эпителиальных новообразований толстой кишки. Для этого все выявленные новообразования осматривались в двух оптических режимах осмотра поверхности слизистой оболочки толстой кишки и эпителиальных новообразований: в стандартном белом световом режиме, а также в режиме цифрового контрастирования изображений NBI (Narrow Band Imaging, Олимпус) (рис. 3).

Рис. 3. Примеры эндоскопических изображений новообразований толстой кишки.

а — изображение эпителиального новообразования ободочной кишки в белом световом режиме; б — изображение эпителиального новообразования в узкоспектральном режиме NBI, позволяющее получить более контрастную картину структурных изменений поверхности эпителиальных новообразований.

С точки зрения бинарной классификации полученных изображений проведено разделение всех фотоизображений на две пары: первая пара представлена изображениями с неизмененной слизистой оболочкой толстой кишки; вторая пара включала два класса: 1) изображения с устьем червеобразного отростка в куполе слепой кишки (КСК); 2) изображения поверхности эпителиальных новообразований в белом световом режиме и узкоспектральном режиме NBI.

Для детекции области купола слепой кишки в видеопотоке использовался алгоритм на базе нейросетевой архитектуры YOLOv8 (You Only Look Once). Проблемой его практического использования является большое количество ложных срабатываний. Для повышения точности работы алгоритма детекции КСК в процесс обработки эндоскопических видеоизображений включен алгоритм трекинга объекта интереса (рис. 4). Для решения задачи трекинга использовались алгоритмы OSTrack, ByteTrack и BoT-Sort. Для того чтобы отслеживать объекты на видеокадрах, сначала выбирались наиболее важные для детектора кадры и, таким образом, они обновлялись, чтобы получить максимальную вероятность нахождения в них КСК.

Рис. 4. Блок-схема разработанного алгоритма детекции купола слепой кишки.

Примечание: МИС — медицинская информационная система; КСК — купол слепой кишки

Группой экспертов дополнительно отобрана база данных из 200 изображений: 100 — «положительный» класс с зоной устья аппендикса и 100 — «отрицательный» класс без устья червеобразного отростка для проведения тестирования алгоритма.

Вторая часть исследования включала разработку алгоритмов для автоматической детекции и оценки глубины инвазии колоректальных эпителиальных новообразований. На первом этапе нашей работы рабочей группой реализован и протестирован комбинированный алгоритм, основанный на двух последовательных модулях: модуле детекции эпителиальных новообразований и модуле оценки уровня инвазии области интереса.

Учитывая динамический характер эндоскопического исследования, при котором новообразование может временно исчезать из поля зрения, смещаться или менять ракурс, разработан дополнительный алгоритм и модуль оценки инвазии области интереса. Его задача — непрерывно отслеживать ранее детектированную область интереса на протяжении всей видеопоследовательности, обеспечивая стабильность анализа. Это позволило накапливать данные об эпителиальном новообразовании с разных углов и при различном освещении, что повысило надежность последующей оценки его характеристик, включая глубину инвазии.

Второй подход — применение самообучающейся модели DINO (Deeper Into Neural Networks) для анализа видеопоследовательностей. В отличие от детекционных моделей (например, YOLO) DINO обучается самостоятельно на больших массивах немаркированных изображений, формируя обобщенные представления о визуальных данных. Это позволяет выделять и анализировать сложные паттерны, такие как динамика рельефа слизистой оболочки, микроархитектоника сосудов и текстуры тканей, которые важны для дифференцировки неинвазивных и инвазивных форм раннего рака толстой кишки. Данный метод обеспечивает целостный анализ визуальных изменений в ходе исследования, что способствует повышению точности диагностики.

Результаты

Клиническое внедрение разработанного алгоритма осуществлено путем установки программного обеспечения на отдельный вычислительный модуль, интегрированный в эндоскопическую стойку и подключенный к основному монитору оператора. При достижении эндоскопом анатомической области, расцениваемой системой как устье червеобразного отростка, включался визуальный ассистент в виде рамки синего цвета по периферии экрана (рис. 5).

Рис. 5. Изображения с устьем червеобразного отростка в куполе слепой кишки с применением модуля искусственного интеллекта в режиме реального времени.

а, б — устье червеобразного отростка не определяется системой искусственного интеллекта, так как эндоскопическое изображение нечеткое или не содержит устья; в, г — при достижении эндоскопом анатомической области, расцениваемой системой как устье червеобразного отростка, включается визуальный ассистент в виде рамки синего цвета по периферии экрана.

В ходе исследования получены высокие показатели эффективности работы разработанного алгоритма. На валидационном наборе данных модель продемонстрировала наилучший результат с площадью под ROC-кривой (AUC), равной 0,97, и значением F1-меры 0,85 при оптимальном пороге вероятности th=0,608.

Последующая проверка обученной модели на независимом тестовом наборе подтвердила ее надежность и обобщающую способность. Значение AUC составило 0,95, а F1-мера — 0,90 при пороге классификации th=0,462 (рис. 6).

Рис. 6. Рабочая характеристическая кривая (ROC-кривая) классификатора.

а — ROC-кривая валидационной выборки изображений для распознавания устья червеобразного отростка с помощью системы искусственного интеллекта (AUC=0,97); б — ROC-кривая для тестовой выборки изображений для распознавания устья червеобразного отростка с помощью системы искусственного интеллекта (AUC=0,95).

Важным практическим результатом является скорость работы алгоритма. Среднее время анализа одного эндоскопического изображения составило 29 мс, что обеспечивает теоретическую пропускную способность системы до 40 кадров в 1 с и позволяет осуществлять обработку видео в режиме реального времени.

При детекции области толстой кишки, расцениваемой системой как эпителиальное новообразование, включается визуальный ассистент в виде рамки желтого цвета по периферии эпителиального новообразования, в верхней строке которой отображается прогностический риск наличия поверхностной или глубокой инвазии опухолевого процесса, выражаемый в процентах (рис. 7).

Рис. 7. Пример положительной оценки наличия новообразования малых размеров с признаками злокачественности без глубокой инвазии (появление рамки желтого цвета по периферии изображения новообразования).

а — при осмотре в белом свете; б — при осмотре в узкоспектральном свете NBI.

Обсуждение

На основе глубокой нейронной сети исследовательской группой создан алгоритм, способный обнаруживать наличие устья червеобразного отростка как маркера интубации купола слепой кишки в условиях отличной подготовки толстой кишки. Наиболее важным фактором, влияющим на эффективность автоматического распознавания интубации слепой кишки и эпителиальных новообразований, остается качество подготовки толстой кишки. Недостаточная очистка, пена и спазм стенок толстой кишки могут существенно снижать точность работы алгоритма на основе систем ИИ. Для проведения колоноскопии использовалась современная схема подготовки, включающая малообъемный препарат Эзиклен в сплит-режиме с дополнительным применением спазмолитиков с пеногасителем (комбинированный препарат Метеоспазмил, в составе которого 60 мг алверина цитрата и 300 мг симетикона). Дозы спазмолитиков и пеногасителей сопоставимы с указанными дозами в новых международных рекомендациях, что не только способствует улучшению визуализации, но и повышает эффективность работы алгоритма для анализа изображений. Схема хорошо зарекомендовала себя в проведенном ранее клиническом исследовании [16].

Вторая задача, решаемая в рамках работы по применению ИИ в эндоскопии, — это детекция и дифференциальная диагностика эпителиальных новообразований толстой кишки. Недавние исследования показывают, что одной из главных причин интервальных раков являются новообразования, пропущенные при скрининговой колоноскопии, поэтому особое внимание уделяется мерам по повышению уровня детекции новообразований и оценки рисков злокачественной трансформации.

Таким образом, качество подготовки толстой кишки напрямую влияет на возможности реализации систем ИИ в клинической практике.

Заключение

Полученные результаты показали, что разработанный алгоритм классификации изображений устья червеобразного отростка и эпителиальных новообразований обладает высокой точностью для задач анализа эндоскопических изображений толстой кишки и может быть использован как основа для создания системы контроля качества проведения колоноскопии в режиме реального времени. Созданная нами модель на основе технологий ИИ успешно решала обе ключевые задачи — подтверждение интубации слепой кишки и детекцию эпителиальных новообразований, достигая высоких значений точности и корректно определяя оба показателя на тестовой выборке фотоизображений (AUC=0,9). Внедрение подобных технологий может обеспечить объективную оценку выполнения тотальной колоноскопии, автоматическую фотодокументацию ключевых этапов процедуры, а также стандартизированный аудит качества скрининговых исследований. Кроме того, данная система может служить эффективным инструментом обучения и повышения квалификации специалистов эндоскопических подразделений, особенно в условиях растущей нагрузки на эндоскопические подразделения и увеличения объемов проводимых скрининговых исследований.

Статья подготовлена в рамках Государственного задания на осуществление научных исследований и разработок ФГБОУ ВО «Ярославский государственный медицинский университет» Минздрава России на 2025 г. по теме «Система поддержки принятия врачебного решения при дифференцировке глубины инвазии новообразований толстой кишки на основе искусственного интеллекта» (№720000Ф.99.1.БН62АБ20000).

Участие авторов:

Концепция и дизайн исследования — Кашин С.В., Завьялов Д.В.

Сбор и обработка материала — Завьялов Д.В., Гусейнова С.Р., Федяй О.С., Хрящев В.В.

Статистическая обработка данных — Гусейнова С.Р., Федяй О.С., Хрящев В.В.

Написание текста — Кашин С.В., Завьялов Д.В., Гусейнова С.Р., Хрящев В.В.

Редактирование — Кашин С.В.

Авторы заявляют об отсутствии конфликта интересов.

Author contribution:

Study design and concept — Kashin S.V., Zavyalov D.V.

Data collection and processing — Zavyalov D.V., Guseinova S.R., Fedyay O.S., Khryashchev V.V.

Statistical data processing — Guseinova S.R., Fedyay O.S., Khryashchev V.V.

Text writing — Kashin S.V., Zavyalov D.V., Guseinova S.R., Khryashchev V.V.

Editing — Kashin S.V.