Выявление жирового гепатоза с помощью компьютерного зрения при низкодозной компьютерной томографии органов грудной клетки в программе скрининга рака легкого

Актуальность. Низкодозная компьютерная томография (НДКТ) органов грудной клетки (ОГК) применяется для скрининга рака легкого, но данные исследования можно использовать и для оценки состояния печени, в т.ч. выявления жирового гепатоза (ЖГ). Однако врачи-рентгенологи часто не проводят оценку изменений печени из-за концентрации внимания на ОГК. Цель: определить выявляемость КТ-признаков ЖГ среди пациентов группы скрининга рака легкого с помощью системы компьютерного зрения (КЗ). Материал и методы. Для ретроспективного исследования было отобрано 300 НДКТ ОГК пациентов из группы проекта скрининга рака легкого г.Москвы в период 2018–2020 гг. Анализ КТ-плотности печени проводили с применением системы КЗ, КТ-признаками ЖГ считали значения плотности печени < 40 HU. Дополнительно выполнен анализ текстовых протоколов описания и заключений отобранных исследований. Проведено сравнение выявляемости КТ-признаков ЖГ врачами-рентгенологами и системой КЗ. Результаты. В анализ включены данные 291 пациента, медиана возраста для всей выборки составила 65 [61; 70] лет. Среднее значение КТ-плотности печени определено на уровне 55,6 ± 14,8 HU. Плотность печени < 40 HU зафиксирована у 13% больных (23 (16,1%) мужчины и 14 (9,5%) женщин). Выявлена статистически достоверная разница между показателями плотности печени у этих пациентов (р = 0,04). В группу риска наличия ЖГ (40–45 HU) вошли 6 (4,2%) мужчин и 4 (2,7%) женщины. При пересмотре текстовых протоколов описания исследований, в которых плотность печени составила < 40 HU, во всех случаях отмечено отсутствие указания на патологию. Заключение. Выявляемость КТ-признаков ЖГ среди пациентов группы скрининга рака легкого г. Москвы составила 13%. Отсутствие указаний на данную патологию в протоколах текстовых описаний подчеркивает актуальность применения систем КЗ в рутинной практике врача- рентгенолога.

1. Струков А.И., Серов В.В. Патологическая анатомия. М.: Литтерра; 1995: 491–4.

2. EASL-EASD-EASO Clinical Practice Guidelines for the management of non-alcoholic fatty liver disease. J Hepatol. 2016; 64(6): 1388–402. http://doi.org/10.1016/j.jhep.2015.11.004.

3. Armstrong MJ, Adams LA, Canbay A, Syn WK. Extrahepatic complications of nonalcoholic fatty liver disease. Hepatology. 2014; 3(59): 1174–97. http://doi.org/10.1002/hep.26717.

4. Mikolasevic I, Milic S, Turk Wensveen T, et al. Nonalcoholic fatty liver disease – a multisystem disease? World J Gastroenterol. 2016; 22(43): 9488–505. http://doi.org/10.3748/wjg.v22.i43.9488.

5. Del Ben M, Baratta F, Pastori D, Angelico F. The challenge of cardiovascular prevention in NAFLD. Lancet Gastroenterol Hepatol. 2021; 6(11): 877–8. http://doi.org/10.1016/S2468-1253(21)00337-X.

6. Kasper P, Lang S, Demir M, Steffen HM. Optimising the management of cardiovascular comorbidities in NAFLD patients: it’s time to (re-)act! Gut. 2022; 71(11): 2365–6. http://doi.org/10.1136/gutjnl-2021-326662.

7. Bulut MD, Özdemir H, Bora A, et al. Comparison of computed tomography densitometry and shear wave elastography velocity measurements for evaluation of the liver volume in the nonalcoholic fatty liver disease. Int J Clin Exp Med. 2016; 6(9): 10159–69.

8. Graffy PM, Pickhardt PJ. Quantification of hepatic and visceral fat by CT and MR imaging: relevance to the obesity epidemic, metabolic syndrome and NAFLD. Br J Radiol. 2016; 89(1062): 20151024. http://doi.org/10.1259/bjr.20151024.

9. Блохин И.А., Лайпан А.Ш. Методические рекомендации по скринингу рака легкого. М.: Радиология Москвы; 2020: 60 с.

10. Onuma Y, Tanabe K, Nakazawa G, et al. Noncardiac findings in cardiac imaging with multidetector computed tomography. J Am Coll Cardiol. 2006; 48(2): 402–6. http://doi.org/10.1016/j.jacc.2006.04.071.

11. Vierikko T, Järvenpää R, Autti T, et al. Chest CT screening of asbestos-exposed workers: lung lesions and incidental findings. Eur Respir J. 2007; 29(1): 78–84. http://doi.org/10.1183/09031936.00073606.

12. Kullberg J, Hedström A, Brandberg J, et al. Automated analysis of liver fat, muscle and adipose tissue distribution from CT suitable for large-scale studies. Sci Rep. 2017; 7(1): 10425. http://doi.org/10.1038/s41598-017-08925-8.

13. Liao M, Zhao YQ, Liu XY, et al. Automatic liver segmentation from abdominal CT volumes using graph cuts and border marching. Comput Methods Programs Biomed. 2017; 143: 1–12. http://doi.org/10.1016/j.cmpb.2017.02.015.

14. Huang Q, Ding H, Wang X, Wang G. Fully automatic liver segmentation in CT images using modified graph cuts and feature detection. Comput Biol Med. 2018; 95: 198–208. http://doi.org/10.1016/j.compbiomed.2018.02.012.

15. Wu W, Zhou Z, Wu S, Zhang Y. Automatic liver segmentation on volumetric CT images using supervoxel-based graph cuts. Comput Math Methods Med. 2016; 2016: 9093721. http://doi.org/10.1038/s41598-018-28787-y.

16. Spinczyk D, Krasoń A. Automatic liver segmentation in computed tomography using general-purpose shape modeling methods. Biomed Eng Online. 2018; 17(1): 65. http://doi.org/10.1186/s12938-018-0504-6.

17. Shin YJ, Chang W, Ye JC, et al. Low-dose abdominal CT using a deep learning-based denoising algorithm: a comparison with CT reconstructed with filtered back projection or iterative reconstruction algorithm. Korean J Radiol. 2020; 21(3): 356–64. http://doi.org/10.3348/kjr.2019.0413.

18. Pickhardt PJ, Lubner MG, Kim DH, et al. Abdominal CT with model-based iterative reconstruction (MBIR): initial results of a prospective trial comparing ultralow-dose with standarddose imaging. AJR Am J Roentgenol. 2012; 99(6): 1266–74. http://doi.org/10.2214/AJR.12.9382.

19. Boyce CJ, Pickhardt PJ, Kim DH, et al. Hepatic steatosis (fatty liver disease) in asymptomatic adults identified by unenhanced low-dose CT. AJR Am J Roentgenol. 2010; 194(3): 623–8. http://doi.org/10.2214/AJR.09.2590.

20. van de Wiel JC, Wang Y, Xu DM, et al. Neglectable benefit of searching for incidental findings in the Dutch-Belgian lung cancer screening trial (NELSON) using low-dose multidetector CT. Eur Radiol. 2007; 17(6): 1474–82. http://doi.org/10.1007/s00330-006-0532-7.

21. Chen X, Ma T, Yip R, et al. Elevated prevalence of moderateto-severe hepatic steatosis in World Trade Center General Responder Cohort in a program of CT lung screening. Clin Imaging. 2020; 60(2): 237–43. http://doi.org/10.1016/j.clinimag.2019.12.009.

22. Graffy PM, Sandfort V, Summers RM, Pickhardt PJ. Automated liver fat quantification at nonenhanced abdominal CT for population-based steatosis assessment. Radiology. 2019; 293(2): 334–42. http://doi.org/10.1148/radiol.2019190512.

23. Lawrence EM, Pooler BD, Pickhardt PJ. Opportunistic screening for hereditary hemochromatosis with unenhanced CT: determination of an optimal liver attenuation threshold. AJR Am J Roentgenol. 2018; 211(6): 1206–11. http://doi.org/10.2214/AJR.18.19690.