Felnőtt mellkasröntgenek valós idejű triázsolása mesterséges intelligencia segítségével
Közösségek - Mellkas | 2019. szeptember 10. 06:52 | Utolsó módosítás dátuma - 2024. október 25. 14:26 | Forrás: https://healthmanagement.org/c/imaging/news/real-time-triaging-of-adult-chest-radiographs
Egy nemrégiben végzett tanulmány a mesterséges intelligencia (AI) rendszert tesztelte arra vonatkozóan, hogyan képes triázsolni a felnőtt mellkasröntgeneket. A radiológusok munkafolyamatának segítése céljából a mély konvolúciós neurális hálózatok (CNN) alapján a rendszer képes volt a röntgenfelvételeket a szükséges kezelés sürgőssége alapján rangsorolni.
A vizsgálatban 470388 darab 2007 és 2017 között készült anonim felnőtt mellkasröntgen felvételt használtak fel. Egy natural language processing (NLP) rendszert használtak arra, hogy a szöveges radiológiai leleteket normál, rendellenes és sürgős beavatkozást igénylő kategóriákba sorolják.
Az AI rendszer nagy pontossággal tudta kinyerni az információt a radiológiai leletekből, a szenzitivitása nagyobb volt, mint 90%, a specificitása pedig 96% fölöttinek mutatkozott. Amikor a röntgenfelvételeket normálnak vagy rendellenességet mutatónak tekintették, az AI rendszer specificitása 95% volt.
A tanulmány során azt is kimutatták, hogy átlagosan csökkent a patológiás röntgenfelvételek leletkiadásának késése. Az AI rendszer által kritikusnak minősített felvételek leletének átlagos visszaküldési ideje 11,2 napról 2,7 napra csökkent. Hasonló eredmények születtek a sürgősnek minősített felvételek esetében is, az átlagos visszaküldési idő 7,6-ról 4,1 napra csökkent. A röntgenfelvételek valós idejű prioritás alapján történő osztályozása szignifikánsan javította a leletfordulási időt, azonban ezek az újonnan elért eredmények még így is problémát okozhatnak a legtöbb modern klinikán. Az eredmények azt prezentálják, hogy a leletátfordulási idő nagyban függ a szervezettségtől és a befutott klinikai útvonaltól is, melyeket a jövőbeli kutatások során szintén figyelembe kellene majd venni.
Amikor a rendszer a prioritási sorrendet a képanyag alapján állította fel, kevésbé volt jó a teljesítménye, a kritikus eseteknél a szenzitivitása 65% feletti, a sürgős eseteknél a specificitása 76% feletti volt. Például az 545 normál röntgenfelvétel közül az AI rendszer 1%-ot kritikusnak és 17%-ot sürgősnek minősített. Azonban ezen esetek felülvizsgálásával kiderült, hogy az öt (1%) kritikus eset közül négy normál volt, és a 95 (17%) sürgős közül 36 szintén normálnak bizonyult. Habár ezek az eredmények ígéretesnek tűnnek, további kutatásokra és vizsgálatokra van szükség ahhoz, hogy a téves osztályozások aránya tovább csökkenjen.
Összességében a tanulmány rámutatott arra, hogy az AI alkalmas lehet a felnőtt mellkasröntgen felvételek triázsolására, éppúgy, ahogy sikeresen felhasználhatónak bizonyult a szöveges radiológiai leletek dekódolására és rangsorolására is.
Referálta:
dr. Tar Julianna
radiológus rezidens
DE KEK, Központi Radiológiai Diagnosztika