Az AI megfelelően képes felismerni a pulmonalis nodulusokat az LDCT-n

Közösségek - Mellkas | 2018. december 13. 22:14 | Utolsó módosítás dátuma - 2019. március 07. 13:18 | Forrás: https://www.auntminnie.com/index.aspx?sec=sup&sub=cto&pag=dis&itemId=123902

A gépi tanulálos módszerek jobb szenzitivitást, specificitást és pozitív prediktív értéket eredményeznek

A mesterséges intelligencia (AI) képes felülmúlni a radiológusokat a pulmonalis nodulusok felismerésében az alacsony-dózisú CT (LDCT) vizsgálatoknál, amivel hamarabb felismerhetők a tüdődaganatok és így csökkenthetők a későbbi felesleges vizsgálatok, hangzott el az RSNA egyik előadásán.

A Baltimore Johns Hopkins egyetem kutatói mély tanulás algoritmust tanítottak a tüdő nodulusok karakterizálására alacsony-dózisú CT képeken. A tesztelés során az algoritmus nagyobb szenzitivitást, specificitást, pontosságot és pozitív prediktív értéket eredményezett a tüdő nodulusok osztályozásában, mint két független radiológus – mondta Dr. Seyoun Park.

LDCT szűrés

A National Lung Screening Trial (NLST) megállapította, hogy az alacsony-dózisú CT-vel végzett szűrés 20%-os relatív mortalitás csökkenéshez vezet a hagyományos mellkas röntgenhez képest. Azonban a fals pozitív esetek voltak túlnyomó többségben. A kiindulási LDCT szűrés pozitív volt az esetek 27,3 %-ában, de a 96,4 %-a fals pozitív lett. Egy 2016-os retrospektív tanulmány szerint, ha a Lung-RADS kritériumokat alkalmazzák – a morfológiai jellemzők alapján – a kiindulási fals pozitív ráta 26,6 %-ról 12,8 %-ra képes csökkenni, mondta Park.

Park megjegyezte, hogy nagy kihívást jelent a radiológusok számára, hogy megkülönböztessék a kis malignus gócokat a benignusaktól.

„A nodulusok képalkotó és morfológiai jellemzőit nagyon nehéz megkülönböztetni vizuálisan” – jegyezte meg Park.

Korábbi tanulmányok viszont kimutatták, hogy az LDCT pozitív prediktív értéke körülbelül 10 %-os az 1 cm-es gócok esetében.

„A tüdőrák szűrésének hatékonysága az LDCT-vel jelenleg még korlátozott a magas fals-pozitív ráta miatt. A fals-pozitív eredmények könnyen szükségtelen invazív beavatkozásokhoz, utókövetéshez, magasabb egészségügyi költségekhez és a páciensek szorongásához vezethet.” – mondta Park.

Ennek eredményeképpen a kutatók arra törekedtek, hogy a CT felvételeken az intra- és perinodularis régiók textúráját vizsgálják. Korábbi munkájukban, a Johns Hopkins kutatói azt találták, hogy a számítógép segítségével történő detektálás kép-alapú jellemzőkkel 95 %-os szenzitivitást, 88 %-os specificitást és 86 %-os pozitív prediktív értéket eredményezett a 4-től 20 mm-ig terjedő nodulusok tekintetében.

Mély tanulás

A kutatók arra törekedtek, hogy megismerjék, képesek-e a mély tanulással javítani az eredményt. Valamint összehasonlították a mély tanulás algoritmus teljesítményét a radiológusokéval szemben a tüdő nodulusok felismerésében.

Park és munkatársai egy retrospektív eset-kontrol vizsgálatot végeztek az NLST adatkészletéből, véletlenszerűen kiválasztva 264 résztvevőt, akiknél egyetlen 20 mm alatti nodulus volt látható az LDCT szűrés során. A nodulusok malignitását vagy benignitását az NLST kutatók határozták meg. A 264 nodulus közül 223 (84,5 %) volt benignus, és 41 (15,5 %) malignus. A nodulusok átlagos mérete 7,5 +/- 3,4 mm volt.

Először minden nodulust félig automata módon szegmentáltak 3D-ben, amihez egy házon belül kifejlesztett szoftvert használtak. Ezen nodulus szegmentálásokat egy módosított 3D U-net mély konvolúciós neuralis hálózatot (CNN) betanításához használtak fel, aminek a feladata a malignitás osztályozásának megtanulása volt. A kutatók olyan képmódosító technikákat alkalmaztak, mint az átméretezés, forgatás és deformáció – különösen a rosszindulatú esetekben. Majd végül négyszeres keresztellenőrzést végeztek.

Ezzel párhuzamosan két radiológus függetlenül megvizsgálta az eseteket és Lung-RADS kritériumok alapján csoportosították a nodulusokat. Az 1-es és 2-es pontszámot negatívnak, a 3-as vagy annál magasabb pontszámokat pozitívnak tekintették. A CNN magas pontosságot, érzékenységet, specificitást, és pozitív prediktív értéket ért el - szemben a két radiológussal.

Park elismerte a tanulmány korlátozásait, ideértve annak kezdetleges jellegét és a felhasznált korlátozott számú esetet. Ezenkívül a CT adatok felhasználásával egy komplexebb modellt kellene kidolgozni és kombinálni kellene az alapadatokkal klinikai célokra. Sőt, a konkrét morfológiai jellemzők, mint az alak, kombinálható lenne egy további vizsgálatban a mély tanulással.

Mindazonáltal az intra- és perinodularis régiók vizsgálatán alapuló mély tanulás képes javítani a pontosságot a pulmonalis nodulusok felismerésében, a radiológusokhoz képest – zárta le Park.

Referálta:

dr. Firtkó Szilveszter

rezidens

DE-KEK Központi Radiológia Diagnosztika