Подходы глубокого обучения к диагностике колоректального рака: обзор

Беспрецедентные достижения в разработке графических процессорных систем создали значительный потенциал для применения алгоритмов глубокого обучения (DL) при анализе визуальной анатомии по медицинским изображениям высокого разрешения. В последнее время в цифровой патологии использование технологий глубокого обучения привлекает большое внимание в связи с возможностью эффективной диагностики различных типов рака, особенно колоректального рака (CRC), который считается одной из ведущих причин смертности, связанной с онкологическими заболеваниями, во всем мире. В настоящем обзоре представлен углубленный анализ недавно опубликованных научных статей, посвященных диагностике и прогнозированию колоректального рака на основе глубокого обучения. В целом приведен ретроспективный обзор систем компьютерной диагностики (CAD), основанных на простых методах обработки изображений и машинном обучении (ML), после чего проведена всесторонняя оценка вариантов применения различных современных алгоритмов глубокого обучения для выявления злокачественных новообразований. Сначала перечислены несколько стандартизированных и общедоступных наборов данных по колоректальному раку, полученных с использованием двух типов визуализации: колоноскопии и гистопатологии. Затем исследования классифицированы по различным типам выявляемых признаков колоректального рака (опухолевая ткань, микросателлитная нестабильность и полипы), а также оценены этапы предварительной обработки данных и использованные архитектуры глубокого обучения до представления оптимальных диагностических результатов. Диагностика колоректального рака с помощью алгоритмов глубокого обучения по-прежнему находится на доклинической стадии; поэтому в обзоре обозначены некоторые нерешенные вопросы и представлены соображения относительно практической применимости и разработки надежных диагностических систем для будущего здравоохранения и онкологии.