Повышение безопасности диагностики: классификация CTPA при низком содержании йода и низкой дозе радиации с использованием глубокого обучения

Более безопасные снимки при опасном тромбе в лёгком

Тромбоэмболия лёгочной артерии — это внезапная закупорка сосудов лёгких, которая при пропуске может быстро привести к летальному исходу. Врачи полагаются на специальную КТ‑ процедуру, называемую КТА лёгочных артерий (CTPA), чтобы обнаружить эти тромбы. Но самые надёжные современные сканирования часто требуют сравнительно больших доз рентгеновского излучения и йодсодержащего контрастного вещества, что может нагружать почки и повышать пожизненный риск рака. В этом исследовании изучают, сможет ли современный искусственный интеллект (ИИ) сохранить спасающую жизни точность CTPA при значительном снижении дозы излучения и контраста, потенциально делая эти обследования безопаснее для уязвимых пациентов.

Почему текущие исследования связаны с компромиссом

Стандартная CTPA даёт чёткие изображения сосудов лёгких, сочетая мощные рентгеновские лучи с большой дозой йодного контраста, который делает сосуды яркими на снимке. Такая ясность помогает радиологам заметить мелкие тромбы, но имеет свою цену: повторные исследования накапливают радиационное облучение, а контрастный препарат может повредить пациентам с уязвимыми почками или заболеваниями сердца. При попытках радиологических команд снизить радиацию или количество йода изображения становятся зернистыми и тусклыми, и тонкие тромбы трудно отличить от нормальной анатомии. Традиционные алгоритмы и даже многие инструменты глубокого обучения разрабатывались для снимков в полном объёме дозы и склонны давать сбои при падении качества изображения.

Двухэтапный ИИ‑помощник для низкодозовой визуализации

Авторы разработали двухэтапную ИИ‑архитектуру, специально настроенную для CTPA с пониженным содержанием йода и сниженной дозой радиации. На первом этапе «сеть улучшения изображений» делает размытые, зашумлённые сканы более чёткими. Она анализирует как обычные пиксельные паттерны, так и их частотное содержание — по сути разделяя тонкие края, контуры сосудов и деликатную текстуру от фонового шума — затем усиливает важные детали и подавляет помехи. На втором этапе «двухветвевой» классификатор смотрит одновременно на исходное низкодозовое изображение и на его улучшенную версию. Одна ветвь фокусируется на общей структуре грудной клетки, а другая — на детальных особенностях сосудов. Система затем объединяет эти два взгляда с помощью механизма внимания, который учится определять, какой из потоков в какой ситуации заслуживает большего доверия.

Новый реальный набор данных и способы его проверки

Чтобы подход имел клиническое значение, команда собрала новый набор данных из 191 взрослого пациента, обследованных в Пекинской больнице с преднамеренно уменьшенной дозой облучения и всего 30 миллилитрами йодного контраста — существенно меньше по сравнению со стандартными протоколами, где обычно используют 50–100 миллилитров. Опытные радиологи отметили каждый случай и для части наборов кропотливо очертили срезы, содержащие тромбы. Исследователи также сгенерировали смоделированные низкодозовые изображения из большого публичного датасета, чтобы предварительно обучить модели перед дообучением на реальных снимках с низким воздействием. Затем они оценивали производительность с помощью стандартных диагностических метрик: чувствительности (сколько истинных тромбов найдено), специфичности (сколько ложных тревог избегнуто) и площади под ROC‑кривой, обобщающего показателя точности.

Чётче изображения и более надёжное обнаружение тромбов

Сеть улучшения сама по себе давала более чёткие изображения сосудов по сравнению с несколькими известными методами суперразрешения, сохраняя тонкие структуры и ограничивая появление искусственных «галлюцинаций». Тем не менее использование только улучшенных снимков для диагностики не превзошло работу на сырых низкодозовых изображениях, поскольку усиление иногда может преувеличивать безвредные паттерны, имитирующие болезнь. Реальный прогресс далась за счёт двухветвевой конструкции: сочетая стабильность исходных изображений с дополнительной детализацией улучшенных версий, система достигла высокой площади под ROC‑кривой — 0,928 — с уравновешенными чувствительностью и специфичностью. Она также оставалась устойчива при добавлении дополнительного шума, что говорит о способности справляться с несовершенными условиями реальной низкодозовой визуализации.

Что это может означать для пациентов

Для пациентов ключевой вывод в том, что ИИ может помочь сделать жизненно важные исследования при тромбоэмболии лёгочной артерии безопаснее, не жертвуя надёжностью. Исследование показывает, что тщательно спроектированная, ориентированная на задачу ИИ‑система способна компенсировать часть потерь качества, связанных со снижением радиации и количества йодного контраста. Это особенно важно для людей, которым требуются повторные обследования, или чьи почки и общее состояние здоровья делают стандартные дозы контраста рискованными. Хотя необходимы более широкие испытания в разных больницах и на разных моделях томографов, эта работа указывает на будущее, в котором обнаружение тромбов, спасающих жизни, может проводиться с более щадящими, ориентированными на пациента протоколами КТ.

Цитирование: Hong, M., Gu, T., An, H. et al. Enhancing diagnostic safety with low iodine, low radiation CTPA classification using deep learning. Sci Rep 16, 7205 (2026). https://doi.org/10.1038/s41598-026-38223-1

Ключевые слова: тромбоэмболия легочной артерии, низкодозовая КТ, компьютерная томография легочных сосудов (CTPA), ИИ в медицинской визуализации, снижение дозы контраста