7.5. Систематика интерпретации изображений

Вся работа, связанная с получением изображений — точно так же, как любая работа по представлению медицинской информации в той или иной форме, — имеет смысл лишь тогда, когда она нацелена на оптимизацию качества решений, на улучшение диагностики. Так, конкретное ультразвуковое обследование (например,

В-сканирование брюшной полости при беременности или измерение бипариетального диаметра головки плода) выполняется, чтобы ответить на конкретные вопросы в отношении пациента. Вопросы могут быть частными (например, каков размер головки плода) или более общими (например, есть ли у плода какая-либо анатомическая патология), но в любом случае неявно предполагается, что правильный ответ существует и что в ходе обследования именно его и надеются получить.

На практике лишь очень немногие процедуры дают гарантированно правильный ответ на интересующий вопрос. Отчасти это связано с тем, что изначально «зашумлены» сами процедуры. И в этой главе мы уже обсуждали физические проявления шума в ультразвуковых системах визуализации. Необходимо также иметь в виду, что там, где частью системы интерпретации является человек, он может представлять собой основной источник «шума», который, впрочем, уменьшается по мере обучения и роста квалификации.

Очевидно, что процесс принятия решения, связанный с интерпретацией медицинских изображений и сопутствующих массивов данных, было бы полезно как-то систематизировать.

По типу решений, которые нужно принимать в ходе интерпретации изображения, весь процесс можно разделить на три этапа. Первый — обнаружение (ответ на вопрос: есть ли аномалия?), второй — локализация (где аномалия находится?), третий — классификация (что это за аномалия?). Лучше всего исследовано и лучше всего понято обнаружение, хотя, впрочем, и локализацию, и классификацию с известной пользой можно было бы рассматривать как модификации задачи обнаружения.

Очевидно, что качество диагностических решений, принимаемых в результате процедуры вызуализации (или какой-либо другой подобной процедуры), важно уметь оценивать. И некоторый формальный подход, в частности в связи с задачей обнаружения, для этого уже развит. В рамках такого подхода заранее предполагается, что есть правильный ответ («Да» или «Нет») на вопрос о наличии аномалии. Далее, с этим ответом (истинным решением) мы можем сравнить результат визуализации (фактическое решение). При анализе фактических решений их то или иное число N (или долю F) будем характеризовать индексами, которые соответствовали бы четырем возможным ситуациям в оценках. Статистику решений свяжем со следующей матрицей индексов:

На основе указанного формального подхода можно количественно оценить качество диагностической процедуры. Обычно используют такие величины:

Здесь важно иметь в виду некоторые соображения относительно объективности такого анализа. На первое место необходимо поставить вероятность преднамеренного или случайного смещения оценки. Всегда существует некоторое ожидаемое значение отношения нормы и патологии, и если оно выбрано неверно, это приведет к смещению результата. Однако гораздо важнее то, что в конкретном случае на решение диагноста может сильно влиять знание о его последствиях. Рассмотрим, например, воображаемую ситуацию, когда диагност использует ультразвуковой сканер сначала для осмотра группы, по-видимому, здоровых женщин на предмет обнаружения признаков рака молочной железы, а затем — для обследования какой-то одной женщины с подозрением на поражение молочной железы с целью принятия решения о необходимости хирургического вмешательства. В первом случае статистическое ожидание аномалии будет очень малым, но последствия большой доли ложно положительных решений будут относительно умеренными, поскольку подавляющее число пациентов подвергнется дальнейшему осмотру. Таким образом, здесь будет вполне обоснованным смещение к достижению большей чувствительности ценой уменьшения специфичности. Во втором случае ожидание аномалии значительно больше, но диагност должен иметь возможность сообщить хирургу степень достоверности своей оценки.

Другая особенность состоит в том, что (если перефразировать замечание Оскара Уайльда) истина редко бывает полной и никогда

не бывает простой. Неявно заложенное в приведенную выше матрицу предположение о том, что всегда можно узнать «истинную» оценку аномалии, нереально. Лучшее, на что можно надеяться в «определительной диагностике», — гистопатологической отчет после операции, биопсии или вскрытия. Но это не всегда возможно, и в любом случае не избавляет от значительной неопределенности.

Ясно, что простые меры, такие как чувствительность, специфичность или даже точность, не могут служить объективным показателем качества решений, принимаемых при конкретной процедуре визуализации. Гораздо лучшим индикатором может служить так называемая рабочая характеристика диагноста (РХД). Она получается (рис. 7.5) как график зависимости доли истинно положительных решений от доли ложно положительных решений. Отдельные точки на этой кривой получают путем повторения теста несколько раз с различной степенью смещения оценки (или порога принятия решения) по отношению к ожиданию положительного результата. Различные кривые на рисунке показывают разное качество принятия решения: диагональ — результат полностью неинформативного теста, а линии, наиболее близко подходящие к осям соответствуют наилучшему результату [5].

Анализ с помощью РХД можно использовать, чтобы сравнить способность обнаружения различных аномалий и сравнить действенность (в смысле облегчения принятия решений) как систем

Рис. 7.5. Примеры «рабочей характеристики диагноста». Чем выше и левее лежит РХД, тем вероятнее обнаружение сигнала.

Рис. 7.6. Иллюстрация разделения признаков, ограниченного «шумом». Сигналы для двух различных признаков характеризуются расстоянием между ними (например, ) и шириной их «шумового спектра» (например, ). Устанавливаемый порог принятия решения (например, определяет вероятность принятия истинного (заштрихованная область) и ложного (зачерненная область) решения. Показаны также соответствующие двумерные распределения в пространстве признаков.

визуализации, так и операторов, или и тех и других. Однако это может быть очень длительная процедура, и полезно отметить, что столь же хорошие результаты можно получить с помощью более быстрой процедуры классификации [3]. При этом наблюдатель должен был выразить степень своей уверенности в наличии аномалии, например, в категориях и т. д.

Иногда полезно рассмотреть процедуру принятия решения на модели, в которой разделение нормального и аномального сигналов ограничивается шумом (рис. 7.6). При этом «сигналами» могут

быть любые из большого числа возможных количественных характеристик изображения (например, уровень серого, сглаженность границы поражения и т. д.), а шум порождается оператором, системой визуализации и/или изменениями самого объекта. В этой модели очень ярко видно, как выбор порога принятия решения в некотором месте шкалы амплитуд сигнала влияет на само решение. Эта модель также показывает, что решения, принятые оператором или машиной, часто основаны на нескольких отдельных параметрах, для каждого из которых имеется своя ограниченная шумом степень разделения сигналов. При этом решение будет принято (оператором или компьютером) в многомерном пространстве признаков (на рисунке представлено двумерное пространство).

ЛИТЕРАТУРА

(см. скан)