Mesterséges intelligencia a tüdődaganatok hagyományos röntgen diagnosztikájának javításában
Közösségek - Mellkas | 2020. december 25. 09:47 | Utolsó módosítás dátuma - 2024. november 25. 22:05 | Forrás: https://www.auntminnie.com/index.aspx?sec=sup&sub=aic&pag=dis&ItemID=131111
Egy mesterséges intelligencia (AI) algoritmus képes olyan tüdődaganatokat felderíteni, melyek mellkas röntgenen először elkerülték a radiológusok figyelmét, és javítja az orvosok teljesítményét, ha másodleletezőként használják, a Radiology: Cardiothoracic Imaging egyik online megjelent, december 10-i kutatása szerint.
Egy gazdag adathalmazzal végzett tesztelés során, a Dr. Ju Gang Nam által vezetett kutatócsoport a Dél-Koreai Szöuli Nemzeti Egyetemi kórházból azt találta, hogy egy kereskedelmi deep-learning algoritmus lényegesen nagyobb érzékenységgel és specificitással dolgozott, mint négy, mellkasi területen jártas radiológus. Amikor a radiológusok másodleletezőként használták, akkor is jelentősen javította teljesítményüket.
Bár már korábban kifejlesztettek egy számítógépes diagnosztikai (CAD – computer aided diagnosis) szoftvert a mellkasröntgen-leletezés emberi hibáinak korlátozására, a kutatók szerint ezek az alkalmazások a teljesítménybeli problémák miatt a klinikai gyakorlatban nem terjedtek el széles körben.
Annak megállapítására, hogy egy deep-learning algoritmus hozhat-e jobb eredményeket, összehasonlították az Insight CXR szoftver (Lunit) 1.0.1.1 verziójának teljesítményét négy radiológuséval. A kutatás 50 átlagos mellkas röntgenből és 168 Postero-Anterior irányú mellkas felvételből álló adatot foglalt magába, 187 tüdődaganattal, melyek átlagos mérete 2.3 ± 1.2 cm volt.
A radiológusok, akik sorra 9, 6, 6 és 5 év tapasztalattal rendelkeztek, először önállóan, majd az AI segítségével vizsgálták a felvételeket.
A kutatók szerint a korábban használt CAD rendszerektől eltérően, amelyekről kimutatták, hogy gyakran fals-pozitív eredményeket produkálnak, az AI szoftver szignifikánsan magasabb specificitást mutatott (p = 0,01), mint az összevont radiológusok. A kutatók szerint ráadásul a radiológusok szignifikánsan magasabb érzékenységet (p <0,001) és specifitást (p <0,01) tapasztaltak, miután segítségükre volt az algoritmus.
Bár teljesítményük az algoritmus használata után javult, a szerzők szerint a radiológusok nem tudták elérni a szoftver önálló teljesítményszintjét. A leletezők hajlamosak voltak elkerülni a szív mögötti és rekesz mögötti gócokat.
Az alsó tüdőmezőkben több valódi gócot is figyelmen kívül hagytak, azokat mellbimbónak vagy érrendszeri árnyéknak írták le - jegyezték meg a kutatók.
"Mivel az algoritmus a kép pixelértékeit veszi figyelembe, a lágyrészek területén található denzitásbeli rendellenességeket jobban felismerheti, mint az emberi leletezők" - írták. "Ezen kívül az orvosok csak nagyobb méretű csomókat írtak le, és korlátozott mértékben vették figyelembe az egy centiméternél kisebb gócokat.”
Feltételezve, hogy az algoritmus további ellenőrzései bizonyítani fogják értékét, a pénzügyi megfontolások jelentik majd a legutolsó kihívást, amelyet le kell küzdeni, a Marylandi Orvostudományi Egyetem professzora, Dr. Charles White szerint.
"Bár a CAD-alapú rendszerek részben a szerzők által említett teljesítménybeli problémák miatt nem értek el széleskörű klinikai felhasználást, a legtöbb országban a költség visszatérítés hiánya volt hozzájáruló tényező ehhez," írta White egy kiegészítő megjegyzésben. "Ha ez az algoritmus valóban jobbnak bizonyul az alacsony fals-pozitív eredményeket leíró orvosok leletező képességénél, akkor ez egyszerűbb utat jelentene a további kutatásokba történő befektetéshez, hogy meghatározzuk ennek és más, deep-learning alapú algoritmusoknak értékét a gócok felderítésében mellkasi röntgenfelvételeknél. "
Referálta: Szabó Liza, radiográfus
DE Onkoradiológiai Klinika - Sugárterápia