A mesterséges intelligencia és a CT együtt javítja a zsírmáj megítélését

Közösségek - AI - Mesterségs Intelligencia | 2020. december 14. 22:53 | Utolsó módosítás dátuma - 2021. december 04. 18:53 | Forrás: https://www.auntminnie.com/index.aspx?sec=sup&sub=cto&pag=dis&ItemID=130266

A kontrasztos hasi CT-vel alkalmazott mesterséges intelligencia (AI) alkalmassá teheti a modalitást a máj steatosisának felmérésére – derült ki az American Journal of Roentgenology című, szeptember 16-án online közzétett tanulmányból.

A mesterséges intelligencia és a CT együtt javítja a zsírmáj megítélését

A tanulmány eredményei arra utalnak, hogy miként lehet azonosítani a májbetegségeket azoknál a betegeknél, akik más okok miatt kontrasztos CT-n esnek át – írta egy Dr. Perry Pickhardt által vezetett csoport a University of Wisconsinról. Gyakran MRI-t használnak a proton-sűrűségű zsírfrakciók (proton density fat fractions – PDFF) meghatározására a máj egészségének értékeléséhez, de az MRI kevésbé gyakori vizsgálat, mint a CT.

„Mivel a hasi CT-t a klinikai gyakorlatban sokkal gyakrabban alkalmazzák, mint a hasi MRI-t, a CT helyettesítőjeként szolgálhat a steatosis korai kimutatásában” – írta a csoport. „A natív CT nem invazív referencia standardot jelenthet a májzsír rutinszerű kimutatásánál a gyakorlatban.”

A legújabb tanulmányok ekvivalenciát mutattak a PDFF értékek és a nem kontrasztos CT denzitás között, ami arra utal, hogy a CT felhasználható a zsírmáj mennyiségi meghatározására. Habár több hasi CT-vizsgálatot végeznek, mint hasi MRI-t, a legtöbbet kontraszttal végzik, ami megnehezíti a máj kiértékelését. Pickhardt és munkatársai megvizsgálták, hogy egy deep learning algoritmus növelheti-e a kontrasztos CT teljesítményét ebben az indikációban.

A vizsgálatban 1204 egészséges felnőtt vett részt, akik potenciális veseadományozók voltak, akikről a donoralkalmasság megítélése miatt készítettek CT felvételeket. A páciensek kontraszt nélküli, illetve kontrasztos CT vizsgálaton egyaránt átestek; a csoport a kontraszt nélküli CT vizsgálati adatokból generált PDFF-értékeket használta referencia-standardként. Az 5%-os PDFF-küszöbök enyhe, míg a 15%-os vagy magasabb küszöbértékek mérsékelt fokú steatosist jeleztek.

Az MR PDFF értékekre lefordított CT-adatok alapján azt találták, hogy a vizsgálati kohorsz 50%-ának enyhe, 4.8%-ának mérsékelt steatosisa volt. A deep-learning algoritmus hatékonyabb volt a mérsékelt steatosis kimutatásában, és a máj magasabb Hounsfield egységű (HU) denzitási értékeinél nyújtott általában jobb teljesítményt.

A deep-learning algoritmus lehetővé tette a máj zsírtartalmának értékelését kontrasztanyaggal fokozott CT-vel, legalábbis a mérsékelt fokú steatosis esetében, bár a csoport elismerte, hogy a modalitás teljesítménye kevésbé volt hatékony, amikor a normális és az enyhe betegségben szenvedő szerveket kellett megkülönböztetni.

Ezen korlátok ellenére a kutatók szerint az eredmények ígéretesnek bizonyultak az AI és a kontrasztos CT kombinációjával kapcsolatban.

„Évente nagy mennyiségű hasi CT-t hajtanak végre, amely lehetőséget nyújt az elsődleges képi indikáción túli számos állapot szűrésére.”

„Ezek közül az opportunista feladatok közül sok autamatizálható az AI segítségével, elkerülve a szubjektivitást és a manuális mérésekhez kapcsolódó időbeli korlátokat.

Fordította. Dr. Keresztes Levente

Debreceni Egyetem Kenézy Gyula Egyetemi Kórház Központi Radiológiai Diagnosztika

További cikkek