surgumedВестник СурГУ. МедицинаVestnik SurGU. Meditsina2949-3447Сургутский государственный университет10.35266/2949-3447-2025-2-2surgumed-852Research ArticleКЛИНИЧЕСКАЯ МЕДИЦИНА. ОБЗОР ЛИТЕРАТУРЫCLINICAL MEDICINE. REVIEWSОБОСНОВАНИЕ ХАРАКТЕРИСТИК И СТРУКТУРЫ МОРФОМЕТРИЧЕСКОГО НАБОРА ДАННЫХ С РЕЗУЛЬТАТАМИ МАГНИТНО-РЕЗОНАНСНОЙ ТОМОГРАФИИ ПРЕДСТАТЕЛЬНОЙ ЖЕЛЕЗЫMORPHOMETRIC DATA SET CHARACTERISTICS AND STRUCTURE SUBSTANTIATION WITH PROSTATE GLAND MAGNETIC RESONANCE IMAGING RESULTShttps://orcid.org/0009-0004-4620-6204НасибянН. М.NasibianN. M.

аспирант, врач-рентгенолог

Postgraduate, Radiologist

nelli-nasibyan94@yandex.ruhttps://orcid.org/0000-0002-2746-7554БобровскаяТ. М.BobrovskayaT. M.

младший научный сотрудник

Junior Researcher

https://orcid.org/0000-0002-2990-7736ВладзимирскийА. В.VladzymyrskyyA. V.

доктор медицинских наук, заместитель директора по научной работе

Doctor of Sciences (Medicine), Deputy Head of the Research Work Department

Научно-практический клинической центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы, МоскваРоссияResearch and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care Department , MoscowRussian FederationНаучно-практический клинической центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы, МоскваРоссияResearch and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care DepartmentRussian Federation2025200620251821422Copyright © Насибян Н.М., Бобровская Т.М., Владзимирский А.В., 20252025Насибян Н.М., Бобровская Т.М., Владзимирский А.В.Nasibian N.M., Bobrovskaya T.M., Vladzymyrskyy A.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.surgumed.ru/jour/article/view/852

Цель – обоснование характеристик, разработка набора данных (датасет) для тестирования и мониторинга качества работы ИИ-сервисов для морфометрии предстательной железы на результатах МРТ. Проведен поиск научной литературы в базах данных PubMed и РИНЦ с глубиной поиска, преимущественно не превышающей 10 лет. В структуре заболеваемости злокачественными новообразованиями мужского населения опухоли устойчиво занимают первое место в России и второе в глобальной перспективе. В России в 2013 г. соответствующая заболеваемость составляла 34,62 случая на 100 тыс. населения, а в 2023 г. она возросла до 50,33 случая на 100 тыс. населения. Отмечается устойчивый ежегодный прирост абсолютного числа впервые в жизни установленных диагнозов рака предстательной железы; определенный спад этого показателя пришелся на период пандемии COVID‑19, но в настоящее время рост возобновился. В структуре смертности от злокачественных новообразований мужского населения этот вид патологии занимает третье место (9,0 %). Особую роль в скрининге и диагностике заболеваний предстательной железы играет магнитно-резонансная томография. Однако ее применение часто ограничивается длительностью выполнения описаний результатов исследований, прежде всего в силу различного уровня компетенций врачей, а также трудоемкости обработки, интерпретации, выполнения различных измерений и т. д. Одним из потенциальных способов решения этой проблемы могут служить технологии компьютерного зрения. Как недостаток самих данных, так и дефекты их разметки ограничивают внедрение технологий искусственного интеллекта в практическое здравоохранение.

The purpose is to substantiate the characteristics, develop a data set for testing and monitoring the quality of artificial intelligence (AI) services for prostate morphometry on magnetic resonance imaging (MRI) results. We carried out a search of scientific literature in PubMed and RINC databases with the search depth, mostly not exceeding 10 years. In the structure of malignant neoplasm morbidity among the male population, tumors steadily rank first in Russia and second in the global perspective. In Russia in 2013, the corresponding morbidity was 34.62 cases per 100 thousand people, and in 2023, it increased to 50.33 cases. There is a steady annual increase in the absolute number of first-time diagnoses of prostate cancer. There was a certain decline in this indicator during the COVID-19 pandemic, but now the growth has restarted. This type of pathology ranks third (9.0%) in the structure of mortality from malignant neoplasms among the male population. MRI has a special role in screening and diagnosis of prostate diseases. The varying levels of doctors’ competence and the labor-intensive processing, interpretation, and measurements often limit the implementation of MRI, because of the time needed to describe the research results. Computer vision technologies can serve as one of the potential ways of solving this problem. Both the lack of data itself and defects in data markup limit the introduction of AI technologies in practical healthcare.

искусственный интеллектпредстательная железаморфометриядатасетмагнитно-резонансная томографияartificial intelligenceprostate glandmorphometrydata setmagnetic resonance imagingданная статья подготовлена авторским коллективом в рамках НИОКР «Разработка платформы подготовки наборов данных лучевых диагностических исследований» (№ ЕГИСУ: 123031500003-8) в соответствии с Приказом от 22.12.2023 г. № 1258 «Об утверждении государственных заданий, финансовое обеспечение которых осуществляется за счет средств бюджета города Москвы, государственным бюджетным (автономным) учреждениям, подведомственным Департаменту здравоохранения города Москвы, на 2024 год и плановый период 2025 и 2026 гг.» Департамента здравоохраненияReferencesЗлокачественные новообразования в России в 2023 году (заболеваемость и смертность) / под ред. А. Д. Каприна, В. В. Старинского, А. О. Шахзадовой. М. : МНИОИ им. П. А. Герцена − филиал ФГБУ «НМИЦ радиологии» Минздрава России, 2024. 276 с.Злокачественные новообразования в России в 2023 году (заболеваемость и смертность) / под ред. А. Д. Каприна, В. В. Старинского, А. О. Шахзадовой. М. : МНИОИ им. П. А. Герцена − филиал ФГБУ «НМИЦ радиологии» Минздрава России, 2024. 276 с.Bergengren O., Pekala K. R., Matsoukas K. et al. 2022 Update on prostate cancer epidemiology and risk factors – A systematic review // European urology. 2023. Vol. 84, no. 2. P. 191–206. https://doi.org/10.1016/j.eururo.2023.04.021.Bergengren O., Pekala K. R., Matsoukas K. et al. 2022 Update on prostate cancer epidemiology and risk factors – A systematic review // European urology. 2023. Vol. 84, no. 2. P. 191–206. https://doi.org/10.1016/j.eururo.2023.04.021.Состояние онкологической помощи населению России в 2023 году / под ред. А. Д. Каприна, В. В. Старинского, А. О. Шахзадовой. М. : МНИОИ им. П. А. Герцена – филиал ФГБУ «НМИЦ радиологии» Минздрава России, 2024. 262 с.Состояние онкологической помощи населению России в 2023 году / под ред. А. Д. Каприна, В. В. Старинского, А. О. Шахзадовой. М. : МНИОИ им. П. А. Герцена – филиал ФГБУ «НМИЦ радиологии» Минздрава России, 2024. 262 с.Fazekas T., Shim S. R., Basile G. et al. Magnetic resonance imaging in prostate cancer screening: A systematic review and metaanalysis // JAMA Oncology. 2024. Vol. 10, no. 6. P. 745–754. https://doi.org/10.1001/jamaoncol.2024.0734.Fazekas T., Shim S. R., Basile G. et al. Magnetic resonance imaging in prostate cancer screening: A systematic review and metaanalysis // JAMA Oncology. 2024. Vol. 10, no. 6. P. 745–754. https://doi.org/10.1001/jamaoncol.2024.0734.Wang Y., Wu Y., Zhu M. et al. The diagnostic performance of tumor stage on MRI for predicting prostate cancer-positive surgical margins: A systematic review and meta-analysis // Diagnostics (Basel). 2023. Vol. 13, no. 15. https://doi.org/10.3390/diagnostics13152.Wang Y., Wu Y., Zhu M. et al. The diagnostic performance of tumor stage on MRI for predicting prostate cancer-positive surgical margins: A systematic review and meta-analysis // Diagnostics (Basel). 2023. Vol. 13, no. 15. https://doi.org/10.3390/diagnostics13152.Васильев Ю. А., Омелянская О. В., Владзимирский А. В. и др. Сравнение мультипараметрического и бипараметрического протоколов магнитно-резонансной томографии для выявления рака предстательной железы рентгенологами с различным опытом // Digital Diagnostics. 2023. Т. 4, № 4. С. 455−466. https://doi.org/10.17816/DD322816.Васильев Ю. А., Омелянская О. В., Владзимирский А. В. и др. Сравнение мультипараметрического и бипараметрического протоколов магнитно-резонансной томографии для выявления рака предстательной железы рентгенологами с различным опытом // Digital Diagnostics. 2023. Т. 4, № 4. С. 455−466. https://doi.org/10.17816/DD322816.Alqahtani S. Systematic review of AI-Assisted MRI in prostate cancer diagnosis: Enhancing accuracy through second opinion tools // Diagnostics (Basel). 2024. Vol. 14, no. 22. https://doi.org/10.3390/diagnostics14222576.Alqahtani S. Systematic review of AI-Assisted MRI in prostate cancer diagnosis: Enhancing accuracy through second opinion tools // Diagnostics (Basel). 2024. Vol. 14, no. 22. https://doi.org/10.3390/diagnostics14222576.Reinhardt C., Briody H., MacMahon P. J. AI-accelerated prostate MRI: a systematic review // British Journal of Radiology. 2024. Vol. 97, no. 1159. P. 1234–1242. https://doi.org/10.1093/bjr/tqae093.Reinhardt C., Briody H., MacMahon P. J. AI-accelerated prostate MRI: a systematic review // British Journal of Radiology. 2024. Vol. 97, no. 1159. P. 1234–1242. https://doi.org/10.1093/bjr/tqae093.Владзимирский А. В., Васильев Ю. А., Арзамасов К. М. и др. Компьютерное зрение в лучевой диагностике: первый этап Московского эксперимента : моногр. 2-е изд., перераб. и доп. М. : ООО «Издательские решения», 2023. 388 с.Владзимирский А. В., Васильев Ю. А., Арзамасов К. М. и др. Компьютерное зрение в лучевой диагностике: первый этап Московского эксперимента : моногр. 2-е изд., перераб. и доп. М. : ООО «Издательские решения», 2023. 388 с.Sunoqrot M. R. S., Saha A., Hosseinzadeh M. et al. Artificial intelligence for prostate MRI: Open datasets, available applications, and grand challenges // European Radiology Experimental. 2022. Vol. 6. https://doi.org/10.1186/s41747-022-00288-8.Sunoqrot M. R. S., Saha A., Hosseinzadeh M. et al. Artificial intelligence for prostate MRI: Open datasets, available applications, and grand challenges // European Radiology Experimental. 2022. Vol. 6. https://doi.org/10.1186/s41747-022-00288-8.Бобровская Т. М., Васильев Ю. А., Никитин Н. Ю. и др. Подходы к формированию наборов данных в лучевой диагностике // Врач и информационные технологии. 2023. № 4. С. 14–23. https://doi.org/10.25881/18110193_2023_4_14.Бобровская Т. М., Васильев Ю. А., Никитин Н. Ю. и др. Подходы к формированию наборов данных в лучевой диагностике // Врач и информационные технологии. 2023. № 4. С. 14–23. https://doi.org/10.25881/18110193_2023_4_14.Wu M., He X., Li F. et al. Weakly supervised volumetric prostate registration for MRI-TRUS image driven by signed distance map // Computers in biology and medicine. 2023. Vol. 163. https://doi.org/10.1016/j.compbiomed.2023.107150.Wu M., He X., Li F. et al. Weakly supervised volumetric prostate registration for MRI-TRUS image driven by signed distance map // Computers in biology and medicine. 2023. Vol. 163. https://doi.org/10.1016/j.compbiomed.2023.107150.Couchoux T., Jaouen T., Melodelima-Gonindard C. et al. Performance of a Region of Interest-based Algorithm in Diagnosing International Society of Urological Pathology Grade Group ≥2 Prostate Cancer on the MRI-FIRST Database-CAD-FIRST Study // European Urology Oncology. 2024. Vol. 7, no. 5. P. 1113–1122. https://doi.org/10.1016/j.euo.2024.03.003.Couchoux T., Jaouen T., Melodelima-Gonindard C. et al. Performance of a Region of Interest-based Algorithm in Diagnosing International Society of Urological Pathology Grade Group ≥2 Prostate Cancer on the MRI-FIRST Database-CAD-FIRST Study // European Urology Oncology. 2024. Vol. 7, no. 5. P. 1113–1122. https://doi.org/10.1016/j.euo.2024.03.003.Tibrewala R., Dutt T., Tong A. et al. FastMRI Prostate: A public, biparametric MRI dataset to advance machine learning for prostate cancer imaging // Scientific data. 2024. Vol. 11. https:// doi.org/10.1038/s41597-024-03252-w.Tibrewala R., Dutt T., Tong A. et al. FastMRI Prostate: A public, biparametric MRI dataset to advance machine learning for prostate cancer imaging // Scientific data. 2024. Vol. 11. https:// doi.org/10.1038/s41597-024-03252-w.Adams L. C., Makowski M. R., Engel G. et al. Prostate158 – An expert-annotated 3T MRI dataset and algorithm for prostate cancer detection // Computers in biology and medicine. 2022. Vol. 148. https://doi.org/10.1016/j.compbiomed.2022.105817.Adams L. C., Makowski M. R., Engel G. et al. Prostate158 – An expert-annotated 3T MRI dataset and algorithm for prostate cancer detection // Computers in biology and medicine. 2022. Vol. 148. https://doi.org/10.1016/j.compbiomed.2022.105817.Kou W., Marshall H., Chiu B. Boundary-aware semantic clustering network for segmentation of prostate zones from T2-weighted MRI // Physics in Medicine & Biology. 2024. Vol. 69, no. 17. https://doi.org/10.1088/1361-6560/ad6ace.Kou W., Marshall H., Chiu B. Boundary-aware semantic clustering network for segmentation of prostate zones from T2-weighted MRI // Physics in Medicine & Biology. 2024. Vol. 69, no. 17. https://doi.org/10.1088/1361-6560/ad6ace.Li W., Zheng B., Shen Q. et al. Adaptive window adjustment with boundary DoU loss for cascade segmentation of anatomy and lesions in prostate cancer using bpMRI // Neural Networks. 2025. Vol. 181. https://doi.org/10.1016/j.neunet.2024.106831.Li W., Zheng B., Shen Q. et al. Adaptive window adjustment with boundary DoU loss for cascade segmentation of anatomy and lesions in prostate cancer using bpMRI // Neural Networks. 2025. Vol. 181. https://doi.org/10.1016/j.neunet.2024.106831.Shen Q., Zheng B., Li W. et al. MixUNETR: A U-shaped network based on W-MSA and depth-wise convolution with channel and spatial interactions for zonal prostate segmentation in MRI // Neural Networks. 2025. Vol. 181. https://doi.org/10.1016/j.neunet.2024.106782.Shen Q., Zheng B., Li W. et al. MixUNETR: A U-shaped network based on W-MSA and depth-wise convolution with channel and spatial interactions for zonal prostate segmentation in MRI // Neural Networks. 2025. Vol. 181. https://doi.org/10.1016/j.neunet.2024.106782.Saha A., Bosma J. S., Twilt J. J. et al. Artificial intelligence and radiologists in prostate cancer detection on MRI (PI-CAI): An international, paired, non-inferiority, confirmatory study // The Lancet. Oncology. 2024. Vol. 25, no. 7. P. 879–887. https://doi.org/10.1016/S1470-2045(24)00220-1.Saha A., Bosma J. S., Twilt J. J. et al. Artificial intelligence and radiologists in prostate cancer detection on MRI (PI-CAI): An international, paired, non-inferiority, confirmatory study // The Lancet. Oncology. 2024. Vol. 25, no. 7. P. 879–887. https://doi.org/10.1016/S1470-2045(24)00220-1.Litjens G., Debats O., Barentsz J. et al. Computer-aided detection of prostate cancer in MRI // IEEE Transactions on Medical Imaging. 2014. Vol. 33, no. 5. P. 1083–1092. https://doi.org/10.1109/TMI.2014.2303821.Litjens G., Debats O., Barentsz J. et al. Computer-aided detection of prostate cancer in MRI // IEEE Transactions on Medical Imaging. 2014. Vol. 33, no. 5. P. 1083–1092. https://doi.org/10.1109/TMI.2014.2303821.Armato S. G., Huisman H., Drukker K. et al. PROSTATEx Challenges for computerized classification of prostate lesions from multiparametric magnetic resonance images // Journal of Medical Imaging. 2018. Vol. 5, no. 4. https://doi.org/10.1117/1.JMI.5.4.044501.Armato S. G., Huisman H., Drukker K. et al. PROSTATEx Challenges for computerized classification of prostate lesions from multiparametric magnetic resonance images // Journal of Medical Imaging. 2018. Vol. 5, no. 4. https://doi.org/10.1117/1.JMI.5.4.044501.Cuocolo R., Stanzione A., Castaldo A. et al. Quality control and whole-gland, zonal and lesion annotations for the PROSTATEx challenge public dataset // European Journal of Radiology. 2021. Vol. 138. https://doi.org/10.1016/j.ejrad.2021.109647.Cuocolo R., Stanzione A., Castaldo A. et al. Quality control and whole-gland, zonal and lesion annotations for the PROSTATEx challenge public dataset // European Journal of Radiology. 2021. Vol. 138. https://doi.org/10.1016/j.ejrad.2021.109647.Holmlund W., Simkó A., Söderkvist K. et al. ProstateZones – Segmentations of the prostatic zones and urethra for the PROSTATEx dataset // Scientific Data. 2024. Vol. 11. https://doi.org/10.1038/s41597-024-03945-2.Holmlund W., Simkó A., Söderkvist K. et al. ProstateZones – Segmentations of the prostatic zones and urethra for the PROSTATEx dataset // Scientific Data. 2024. Vol. 11. https://doi.org/10.1038/s41597-024-03945-2.Четвериков С. Ф., Арзамасов К. М., Андрейченко А. Е. и др. Подходы к формированию выборки для контроля качества работы систем искусственного интеллекта в медико-биологических исследованиях // Современные технологии в медицине. 2023. Т. 15, № 2. С. 19–27. https://doi.org/10.17691/stm2023.15.2.02.Четвериков С. Ф., Арзамасов К. М., Андрейченко А. Е. и др. Подходы к формированию выборки для контроля качества работы систем искусственного интеллекта в медико-биологических исследованиях // Современные технологии в медицине. 2023. Т. 15, № 2. С. 19–27. https://doi.org/10.17691/stm2023.15.2.02.Васильев Ю. А., Насибян Н. М., Владзимирский А. В. и др. MosMedData: MPT малого таза с морфометрическими показателями предстательной железы : патент 2025620045 Рос. Федерация № 2024626323 ; заявл. 20.12.2024 ; опубл. 10.01.2025. URL: https://elibrary.ru/download/elibrary_80278348_87320077. PDF (дата обращения: 10.04.2025).Васильев Ю. А., Насибян Н. М., Владзимирский А. В. и др. MosMedData: MPT малого таза с морфометрическими показателями предстательной железы : патент 2025620045 Рос. Федерация № 2024626323 ; заявл. 20.12.2024 ; опубл. 10.01.2025. URL: https://elibrary.ru/download/elibrary_80278348_87320077. PDF (дата обращения: 10.04.2025).Васильев Ю. А., Владзимирский А. В., Омелянская О. В. и др. Обзор метаанализов о применении искусственного интеллекта в лучевой диагностике // Медицинская визуализация. 2024. Т. 28, № 3. С. 22–41. https://doi.org/10.24835/1607-0763-1425.Васильев Ю. А., Владзимирский А. В., Омелянская О. В. и др. Обзор метаанализов о применении искусственного интеллекта в лучевой диагностике // Медицинская визуализация. 2024. Т. 28, № 3. С. 22–41. https://doi.org/10.24835/1607-0763-1425.Meglič J., Sunoqrot M. R. S., Bathen T. F. et al. Label-set impact on deep learning-based prostate segmentation on MRI // Insights into imaging. 2023. Vol. 14. https://doi.org/10.1186/s13244-023-01502-w.Meglič J., Sunoqrot M. R. S., Bathen T. F. et al. Label-set impact on deep learning-based prostate segmentation on MRI // Insights into imaging. 2023. Vol. 14. https://doi.org/10.1186/s13244-023-01502-w.Fassia M.-K., Balasubramanian A., Woo S. et al. Deep learning prostate MRI segmentation accuracy and robustness: A systematic review // Radiology: Artificial intelligence. 2024. Vol. 6, no. 4. https://doi.org/10.1148/ryai.230138.Fassia M.-K., Balasubramanian A., Woo S. et al. Deep learning prostate MRI segmentation accuracy and robustness: A systematic review // Radiology: Artificial intelligence. 2024. Vol. 6, no. 4. https://doi.org/10.1148/ryai.230138.

The authors declare that there are no conflicts of interest present.