Képes lehet egy mesterséges intelligencia a rutin hasi CT-k triázsolására?

Közösségek - Informatika | 2018. november 22. 22:01 | Utolsó módosítás dátuma - 2018. november 26. 07:53 | Forrás: AuntMinnie referáló - dr. Pelyvás Bence

Egy mesterséges intelligencia nagy szenzitivitással és specificitással ismerheti fel az akut eseteket a hasi CT vizsgálatokon, ezzel segítve a radiológusokat a leletezés sorrendjének meghatározásában - számolt be róla egy közelmúltban publikált svájci közlemény.

Képes lehet egy mesterséges intelligencia a rutin hasi CT-k triázsolására?

A baseli egyetemi kórházban a Dr. David Winkel által vezetett kutatócsoport egy deep-learning algoritmust tesztelt, amely felismeri a szabad levegőt, szabad folyadékot és a mesenterialis zsír beszűrtéségét a hasi CT vizsgálatokon. Közel kétszáz eset vizsgálatát követően ezen akut hasi történések felismerésének szenzitivitását 93%-nak, specificitását 97%-nak találták.

„Az algoritmus jó diagnosztikus teljesítményt mutatott az akut hasi patológiák önálló felismerésében, ezzel lehetővé téve a radiológiai munkafolyamat irányítását, rangsor felállítását a hasi CT vizsgálatok akut esetei között.” – írták a szerzők.

Jelenleg a valóban sürgős hasi CT esetek azonosítása a radiológiai munkalistába nem optimális. Míg a fekvőbetegek vizsgálatainak közel 40%-át a beutaló orvos sürgős esetnek jelöli meg, addig ezen vizsgálatoknak csak egy töredékében szükséges gyors kommunikáció és terápia indítás a kutatók szerint. Emésztőrendszeri perforációk esetén a beteg felvételétől a műtét kezdetéig eltelt idő egy kiemelt tényező, amely a beteg túlélésével szorosan összefügg, ezért fontos, hogy ezeket az eseteket minél előbb felismerjék.

„Ezen kihívás orvoslására egy lehetséges megoldás a deep-learning algoritmusok alkalmazása közvetlenül a nyers adatok kinyerését követően és ezen esetek munkalista elejére tétele” – írták a szerzők. „Az ilyen számítógéppel segített detektálási rendszerek potenciálisan segíthetik a radiológusokat a látható rendellenességek felismerésében, miközben minimalizálják a fals-pozitív és fals-negatív fontossági sorrendeket.”

A kutatók vizsgálták a deep-learning alapú triázs szoftver alkalmazását - Aidoc Acute-Abdomen Package (Aidoc Medical) 1.4-es verzió -, hogy azonosítsák hasi CT vizsgálatok akut eseteit. Egy RIS/PACS keresőmotor segítségével 100 kontrol esetet és 100 egymást követő akut hasi kórképet tartalmazó hasi CT vizsgálatot kerestek. Összesen 194 eset került a vizsgálatba, mivel hatot kizártak technikai problémák miatt.

Mély konvolúciós neurális hálózaton alapuló algoritmussal elemezték a CT adatokat.

 

Szabad levegő

Szabad folyadék

Zsírszöveti beszűrtség

Összesen

Szenzitivitás

54/59 (92%)

68/80 (85%)

42/50 (81%)

91/98 (93%)

Specificitás

39/42 (93%)

20/21 (95%)

48/49 (98%)

93/96 (97%)

A kutatók megjegyezték, hogy a fals-pozitív eredmények a műtermékeknek, a parciális volumen effektusnak és a divertikulumok hibás azonosításának tulajdoníthatók.

Megállapították, hogy az algoritmus magas diagnosztikus pontosságot mutat a patológiás esetek önálló felismerésében.

„A jövőbeni alkalmazásokban az algoritmus segítheti a radiológiai munkafolyamatot a gyanús esetek megjelölésével.” – írják a szerzők. „Ez a megközelítés kiterjeszthető lehet más kritikus tényezőkre, ezzel csökkentve a sürgős lelet megírásának idejét, így a betegek hamarabb kerülhetnek a megfelelő osztályra és hamarabb részesülhetnek a megfelelő terápiában.”

Forrás: https://www.auntminnieeurope.com/index.aspx?sec=sup&sub=pac&pag=dis&ItemID=616362

További cikkek