A mesterséges intelligencia felismeri a pulmonalis nodulusokat a mellkas röntgenen

Közösségek - Mellkas | 2019. szeptember 29. 19:28 | Utolsó módosítás dátuma - 2024. április 16. 11:00 | Forrás: https://www.auntminnie.com/index.aspx?sec=sup&sub=aic&pag=dis&ItemID=126531

Egy a mesterséges intelligencián (AI) alapuló számítógépes detektaló (CAD) szoftveralkalmazás képes gyorsan és pontosan felismerni a pulmonalis nodulusokat a mellkas röntgenfelvételen, amely szolgálhat triage ként, vagy másod leletezési eszközként a radiológusok számára, jelent meg a Clinical Radiology szeptember 11-ei online kutatásában

Miután retrospektív módon értékelt a mély tanuláson alapuló szoftveralkalmazás 100 beteg esetében, a kutatók egy csoportja, a tajvani Tajpejben található Yang-Ming Nemzeti Egyetemen C.H. Liang vezetésével megállapította, hogy a görbe alatti terület (AUC) legfeljebb 0,916. Sőt, a szoftver kevesebb, mint két perc alatt dolgozta fel a röntgenfelvételeket.

"A szoftver eredményesen felhasználható az összes mellkasi röntgenfelvétel automatikus értékelésére. A mély tanulás különböző algoritmusokkal történő végrehajtása elősegítheti a radiológusok orvosi képalkotás ellátásának javítását" - írta a kutató csoport.

A kutatók a mellkasröntgen értékelő, diagnosztikai teljesítményét kívánta értékelni, amelyet a QUIBIM spanyol szoftverfejlesztő készített. Először 100 beteg adatát gyűjtötték ki a tajvani Kaohsiung Veterán Általános Kórházból. A 100 beteg közül 47-nél volt klinikailag szignifikáns tüdőnodulus vagy térfoglalás, 53-ban pedig kontroll alany volt pulmonalis nodululusok nélkül. A vizsgálat során mellkas röntgenfelvételeket használtak, postoanterior nézetben, a radiográfiás eredményeket CT vizsgálattal validálták.

A mellkasröntgen-értékelő négy különféle mélytanulási algoritmust tartalmaz:

•              Hőtérkép-algoritmus, amelynek célja a röntgen leginkább rendellenes régióinak kiemelése

•              Csomóponti valószínűségi algoritmus

•              Térfoglalás valószínűségi algoritmus

•              Rendellenesség valószínűségi algoritmus

 A kutatók külön kiszámították a tüdőnodulusok azonosítására szolgáló mind a négy algoritmus teljesítményét. A térfoglalás valószínűség algoritmus adta a legjobb teljes teljesítményt.

Ezenkívül a szoftver átlagos képfeldolgozási ideje esetenként 94,07 ± 16,54 másodperc volt.

A kutatók megjegyezték, hogy az algoritmusok mindegyike különböző előnyökkel jár. Például a hőtérkép algoritmusnak volt a legmagasabb specificitása. Liang és munkatársai szerint a radiológusok a mellkasröntgen-értékelőn keresztüli különféle mélytanulási algoritmusok megvalósításával, csökkenthetik a hibákat szelektív kettős leletezéssel.

"Ezeknek a különféle algoritmus stratégiáknak a felhasználásával a mély tanuláson alapuló algoritmus potenciálisan segítséget nyújthat a radiológusoknak a mellkas röntgenfelvételek tüdőnodulusainak felfedezésében, miközben minimalizálja mind a fals pozitív, mind a fals negatív eredményeket." "Ezek az algoritmusok támogathatják a radiológiai munkafolyamatot azáltal, hogy megjelölik a gyanús eseteket, amelyek prioritást élveznek a radiológiai munkalistán, hogy azok kerüljenek először áttekintésre

A kutatók szerint a korai figyelmeztetési pontokon alapuló figyelmeztetést be lehet építeni a jelentési rendszerbe a munkafolyamat korszerűsítése érdekében. A radiológusok ezután nagyobb figyelmet szentelhetnek a magasabb valószínűségű ponttal rendelkező röntgenfelvételeknek, miközben magabiztosan kizárják az alacsonyabb valószínűségi pontszámú mellkasi filmek sérüléseit.

"Összefoglalva: a mély-tanuláson alapuló CAD rendszerek valószínűleg létfontosságú szerepet fognak játszani a mellkas röntgenfelvételeken a tüdőnodulusok / térfoglalások korai felismerésében és diagnosztizálásában" - írták a szerzők. "A jövőbeli alkalmazásban ezek az algoritmusok támogathatják a triage munkafolyamatát kettős leletezéssel, hogy ezzel is javítsák az érzékenységet és a specificitást a diagnosztikai folyamat során."

Referálta: Tarpai Petra

DE-KEK Központi Radiológia Diagnosztika