Mesterséges intelligencia segítségével meghatározható a törések helyzete csukló röntgenen

Közösségek - AI - Mesterségs Intelligencia | 2019. június 06. 17:50 | Utolsó módosítás dátuma - 2024. október 09. 02:16 | Forrás: radiologia.hu - dr. Pelyvás Bence

Egy mesterséges intelligencia algoritmus magas specificitással és szenzitivitással képes felismerni és megjelölni a törés helyzetét csuklóról készült röntgenfelvételen - jelent meg az RSNA újonnan indított, ‘Radiology: Artificial Intelligence’ elnevezésű folyóiratának első számában.

A Szingapúri Nemzeti Egyetem kutatói egy konvolúciós neurális hálózatot (convolutional neural network; CNN) fejlesztettek és tanítottak arra, hogy a rádiuszon és az ulnán felismerje és lokalizálja a töréseket, AP (frontális) és oldalirányú (laterális) felvételek felhasználásával. A tesztek során a modell több mint 98%-os szenzitivitást és 73%-os specificitást ért el, Dr. Yee Liang Thian és kollégái vizsgálatai alapján.

„A lehetőség, hogy az elváltozás helyzetét meghatározzuk mély tanuláson alapuló hálózat segítségével, fontos lépés egy klinikai gyakorlatban használható mesterséges intelligenciával dolgozó eszköz kifejlesztése felé, amely segítheti a radiológus leletezését,” írták a kutatók.

A diagnosztikai hibák és perek egyik leggyakoribb oka a törések felismerésének elmulasztása a sürgősségi-traumatológiai osztályokon. A kutatók szerint néhány tanulmány már bizonyította a CNN hasonló célú felhasználhatóságát, de ezen próbálkozások egyszerűen csak törött vagy nem törött kategóriába sorolták a felvételeket és nem lokalizálták az elváltozás helyzetét.

„Nehéz a klinikusok számára a „fekete-doboz” modellek széleskörű osztályozási címkéiben megbízni, mivel nem átlátható, hogy a hálózat hogyan jutott az eredményre,” írta a csoport. „Az elváltozás helyzetéről szóló információ fontos az oszályozások eredményének alátámasztásához, a klinikus számára ellenőrizhető vizuális bizonyítékot nyújtanak.”

A kutatók arra törekedtek, hogy megismerjék egy objektumfelismerő CNN lehetőségeit, amely képes objektumokat felismerni és köréjük dobozokat rajzolni a képeken. A kutatók először kiválasztottak 7356 csukló röntgen vizsgálatot (7295 AP és 7319 oldalirányú felvétel) a kórházuk PACS rendszeréből.

Három radiológus közül az egyik felülvizsgálta és annotálta az egyes képeket – beleértve a töréseket körülvevő dobozok megrajzolását. Majd ezen vizsgálatokat felhasználva tanítottak egy mély tanulási modellt, amely Inception-ResNet verzió 2 Faster R-CNN architektúrán alapul. A 7356 vizsgálat 90%-át a CNN tanítására, míg 10%-át validálásra használták fel.

Ezt követően a kutatók a modellt 524 sürgősségi eseten tesztelték és összehasonlították az eredményeket a két radiológus által konszenzussal megállapított referencia standarddal. A modell 340 AP felvételből 310 (91,2%) esetben, míg 245 oldalirányú vizsgálatból 236 (96,3%) esetben felismerte és helyesen lokalizálta a törést.

Az adatok további vizsgálatával, a kutatók azt találták, hogy az algoritmus nem mutat szignifikáns eltérést az AUC értékben a gyermek és felnőtt felvételek vagy gipszelt és nem gipszelt végtagról készült felvételek között. Azonban, a neurális hálózatok szignifikánsan érzékenyebbek voltak a diszlokált törésekre, a minimálisan vagy elmozdulást egyáltalán nem mutató elváltozásokhoz képest, mind az AP (p=0.005), mind oldalirányú (p=0.01) felvételeken.

Forrás: https://www.auntminnie.com/index.aspx?sec=sup&sub=aic&pag=dis&ItemID=124375