Искусственный интеллект для ультразвуковой диагностики заболеваний кишечника: современные возможности

Цель. Обзор современных достижений, возможностей и проблем применения технологий искусственного интеллекта (ИИ) для анализа изображений ультразвукового исследования (УЗИ) кишечника.

Основные положения. Ультразвуковое исследование является высокоинформативным, безопасным и широкодоступным методом диагностики патологии кишечника. Внедрение ИИ, в частности методов глубокого обучения и радиомики, направлено на преодоление оператор-зависимости УЗИ, стандартизацию диагностики и повышение ее эффективности. В статье представлены данные о разработке и валидации ИИалгоритмов для ключевых направлений: воспалительные заболевания кишечника, острый аппендицит, инвагинация кишечника, колоректальный рак. Представлены ограничения и опасения, которые требуют решения для внедрения ИИ в клиническую практику.

Заключение. Интеграция ИИ в ультразвуковую диагностику заболеваний кишечника обладает значительным потенциалом для повышения точности, воспроизводимости и эффективности работы, особенно в условиях высокой нагрузки на специалистов.

1. Отчет за 2020 г. главного внештатного специалиста Минздрава России по лучевой и инструментальной диагностике Тюрина И.Е. URL: https://static-0.minzdrav.gov.ru/system/attachments/attaches/000/056/620/original/Отчет_за_2020_год_Тюрин.pdf?1624967722 (accessed: 07.12.2022).

2. Лебедев Г.С., Шадеркин И.А., Шадеркина А.И. Цифровая трансформация ультразвуковой диагностики. Российский журнал телемедицины и электронного здравоохранения. 2022;8(4):21–45. DOI: 10.29188/2712-9217-2022-8-4-21-45

3. Nylund K., Maconi G., Hollerweger A., Ripolles T., Pallotta N., Higginson A., et al. EFSUMB recommendations and guidelines for gastrointestinal ultrasound — part 1: examination techniques and normal findings (Short version). Ultraschall in Med. 2017;38(3):1–15. DOI: 10.1055/s-0042–115853

4. Parasa S., Wallace M., Bagci U., Antonino M., Berzin T., Byrne M., et al. Proceedings from the First Global Artificial Intelligence in Gastroenterology and Endoscopy Summit. Gastrointest Endosc. 2020;92(4):938–45.e1. DOI: 10.1016/j.gie.2020.04.044

5. Cannarozzi A.L., Latiano A., Massimino L., Bossa F., Giuliani F., Riva M., et al. Inflammatory bowel disease genomics, transcriptomics, proteomics and metagenomics meet artificial intelligence. United European Gastroenterol J. 2024;12(10):1461–80. DOI: 10.1002/ueg2.12655

6. Christou C.D., Tsoulfas G. Challenges and opportunities in the application of artificial intelligence in gastroenterology and hepatology. World J Gastroenterol. 2021;27(37):6191–223. DOI: 10.3748/wjg.v27.i37.6191

7. Yang Y.J., Bang C.S. Application of artificial intelligence in gastroenterology. World J Gastroenterol. 2019;25(14):1666–83. DOI: 10.3748/wjg.v25.i14.1666

8. Шелыгин Ю.А., Ивашкин В.Т., Ачкасов С.И., Решетов И.В., Маев И.В., Белоусова Е.А. и др. Клинические рекомендации. Болезнь Крона (К50), взрослые. Колопроктология. 2023;22(3):10–49. DOI: 10.33878/2073-7556-2023-22-3-10-49

9. Шелыгин Ю.А., Ивашкин В.Т., Белоусова Е.А., Решетов И.В., Маев И.В., Ачкасов С.И. и др. Язвенный колит (К51), взрослые. Колопроктология. 2023;22(1):10–44. DOI: 10.33878/2073-7556-2023-22-1-10-44

10. Sturm A., Maaser C., Calabrese E., Annese V., Fiorino G., Kucharzik T., at al. ECCO-ESGAR Guideline for Diagnostic Assessment in IBD Part 2: IBD scores and general principles and technical aspects. Journal of Crohn’s & colitis. 2019;13(3):273–84. DOI: 10.1093/ecco-jcc/jjy114

11. Horsthuis K., Bipat S., Bennink R. J., Stoker J. Inflammatory bowel disease diagnosed with US, MR, scintigraphy, and CT: Meta-analysis of prospective studies. Radiology. 2008;247(1):64–79. DOI: 10.1148/radiol.2471070611

12. Panes J., Bouhnik Y., Reinisch W., Stoker J., Taylor S. A., Baumgart D. C., et al. Imaging techniques for assessment of inflammatory bowel disease: Joint ECCO and ESGAR evidence-based consensus guidelines. J Crohns Colitis. 2013;7:556–85. DOI: 10.1016/j.crohns.2013.02.020

13. Sasaki T., Kunisaki R., Kinoshita H., Yamamoto H., Kimura H., Hanzawa A., et al. Use of color Doppler ultrasonography for evaluating vascularity of small intestinal lesions in Crohn’s disease: Correlation with endoscopic and surgical macroscopic findings. Scand J Gastroenterol. 2014;49:295–301. DOI: 10.3109/00365521.2013.871744

14. Maconi G., Nylund K., Ripolles T., Calabrese E., Dirks K., Dietrich C. F., et al. EFSUMB recommendations and clinical guidelines for intestinal ultrasound (GIUS) in inflammatory bowel diseases. Ultraschall Med. 2018;39(3):304–17. DOI: 10.1055/s-0043-125329

15. Carter D., Albshesh A., Shimon C., Segal B., Yershov A., Kopylov U., et al. Automatized detection of crohn's disease in intestinal ultrasound using convolutional neural network. Inflamm Bowel Dis. 2023;29(12):1901–6. DOI: 10.1093/ibd/izad014

16. Tagliamonte G., Santagata F., Fraquelli M. Current developments and role of intestinal ultrasound including the advent of AI. Diagnostics. 2024;14(7):759. DOI: 10.3390/diagnostics14070759

17. Hameed M., Taylor S.A. Small bowel imaging in inflammatory bowel disease: Updates for 2023. Expert Review of Gastroenterology & Hepatology. 2023;17(11):1117–34. DOI: 10.1080/17474124.2023.2274926

18. Lin S., Lin X., Li X., Chen M., Mao R. Making qualitative intestinal stricture quantitative: Embracing radiomics in IBD. Inflamm Bowel Dis. 2020;26(5):743–5. DOI: 10.1093/ibd/izz197

19. Xiao M.J., Pan Y.T., Tan J.H., Li H.O., Wang H.Y. Computed tomography-based radiomics combined with machine learning allows differentiation between primary intestinal lymphoma and Crohn's disease. World J Gastroenterol. 2024;30(25):3155–65. DOI: 10.3748/wjg.v30.i25.3155

20. Gu P., Chang J.H., Carter D., McGovern D.P.B., Moore J., Wang P., et al. Radiomics-based Analysis of intestinal ultrasound images for inflammatory bowel disease: a feasibility study. Crohns Colitis 360. 2024;6(2):otae034. DOI: 10.1093/crocol/otae034

21. Dirks K., Calabrese E., Dietrich C.F., Gilja O.H., Hausken T., Higginson A., et al. EFSUMB Position Paper: Recommendations for gastrointestinal ultrasound (GIUS) in Acute appendicitis and diverticulitis. Ultraschall Med. 2019;40(2):163–75. DOI: 10.1055/a-0824-6952

22. Cai L., Pfob A. Artificial intelligence in abdominal and pelvic ultrasound imaging: current applications. Abdom Radiol. 2025;50(4):1775–89. DOI: 10.1007/s00261-024-04640-x

23. Marcinkevičs R., Reis Wolfertstetter P., Klimiene U., Chin-Cheong K., Paschke A., Zerres J., et al. Interpretable and intervenable ultrasonography-based machine learning models for pediatric appendicitis. Med Image Anal. 2024;91:103042. DOI: 10.1016/j.media.2023.103042

24. Stiel C., Elrod J., Klinke M., Herrmann J., Junge C.M., et al. The modified Heidelberg and the AI appendicitis score are superior to current scores in predicting appendicitis in children: A two-center cohort study. Front Pediatr. 2020;8:592892. DOI: 10.3389/fped.2020.592892

25. Ghareeb W.M., Emile S.H., Elshobaky A. Artificial intelligence compared to alvarado scoring system alone or combined with ultrasound criteria in the diagnosis of acute appendicitis. J Gastrointest Surg. 2022;26:655–8. DOI: 10.1007/s11605-021-05147-2

26. Hryhorczuk A.L., Strouse P.J. Validation of US as a firstline diagnostic test for assessment of pediatric ileocolic intussusception. Pediatr Radiol. 2009;39(10):1075–9. DOI: 10.1007/s00247-009-1353-z

27. Chen X., You G., Chen Q., Zhang X., Wang N., He X., et al. Development and evaluation of an artificial intelligence system for children intussusception diagnosis using ultrasound images. iScience. 2023;26(4):106456. DOI: 10.1016/j.isci.2023.106456

28. Pei Y., Wang G., Cao H., Jiang S., Wang D., Wang H., et al. A deep-learning pipeline to diagnose pediatric intussusception and assess severity during ultrasound scanning: A multicenter retrospective-prospective study. NPJ Digit Med. 2023;6(1):182. DOI: 10.1038/s41746-023-00930-8

29. Sawicki T., Ruszkowska M., Danielewicz A., Nied- źwiedzka E., Arłukowicz T., Przybyłowicz K.E. A review of colorectal cancer in terms of epidemiology, risk factors, development, symptoms and diagnosis. Cancers (Basel). 2021;13(9):2025. DOI: 10.3390/cancers13092025

30. Bor R., Fábián A., Szepes Z. Role of ultrasound in colorectal diseases. World J Gastroenterol. 2016;22(43):9477–87. DOI: 10.3748/wjg.v22.i43.9477

31. Ueno H., Nagtegaal I.D., Quirke P., Sugihara K., Ajioka Y. Tumor deposits in colorectal cancer: Refining their definition in the TNM system. Ann Gastroenterol Surg. 2023;7(2):225–35. DOI: 10.1002/ags3.12652

32. Khan H., Radomski S.N., Siddiqi A., Zhou N., Paneitz D.C., Johnston F.M. Tumor deposits are associated with a higher risk of peritoneal disease in non-metastatic colorectal cancer patients. J Surg Oncol. 2023;127(6):975– 82. DOI: 10.1002/jso.27207

33. Chen L.D., Li W., Xian M.F., Zheng X., Lin Y., Liu B.X., et al. Preoperative prediction of tumour deposits in rectal cancer by an artificial neural network-based US radiomics model. Eur Radiol. 2020;30(4):1969–79. DOI: 10.1007/s00330-019-06558-1

34. Song D., Zhang Z., Li W., Yuan L., Zhang W. Judgment of benign and early malignant colorectal tumors from ultrasound images with deep multi-View fusion. Comput Methods Programs Biomed. 2022;215:106634. DOI: 10.1016/j.cmpb.2022.106634

35. Kim D.W., Jang H.Y., Kim K.W., Shin Y., Park S.H. Design characteristics of studies reporting the performance of artificial intelligence algorithms for diagnostic analysis of medical images: results from recently published papers. Korean J Radiol. 2019;20(3):405–10. DOI: 10.3348/kjr.2019.0025

36. Mervak B.M., Fried J.G., Wasnik A.P. A review of the clinical applications of artificial intelligence in abdominal imaging. diagnostics (Basel). 2023;13(18):2889. DOI: 10.3390/diagnostics13182889

37. Coppola F., Faggioni L., Gabelloni M., De Vietro F., Mendola V., Cattabriga A., et al. Human, all too human? an all-around appraisal of the “artificial intelligence revolution” in medical imaging. Front Psychol. 2021;12:710982. DOI: 10.3389/fpsyg.2021.710982

38. Akkus Z., Cai J., Boonrod A., Zeinoddini A., Weston A.D., Philbrick K.A., et al. A survey of deep-learning applications in ultrasound: artificial intelligence – powered ultrasound for improving clinical workflow. J Am Coll Radiol. 2019;16(B):1318–28. DOI: 10.1016/j.jacr.2019.06.004