Лента новостей → ИИ расширяет возможности рентгеновской диагностики.
Один из старейших методов визуализации продолжает играть жизненно важную роль в современной радиологии.
Рентгеновские снимки, особенно рентгенограммы грудной клетки, остаются краеугольным камнем медицинской диагностики и являются важными инструментами для ранней и точной диагностики заболеваний. Но могут ли рентгеновские снимки сделать больше?
С помощью ИИ ответ — «да».
«Искусственный интеллект может анализировать рентгеновские снимки грудной клетки, извлекая из них сигналы, выходящие за рамки традиционного использования для исследования легких и сердца, превращая один снимок в комплексное обследование», — пояснил Дайджу Уэда, доктор медицинских наук, радиолог и сотрудник кафедры искусственного интеллекта Высшей медицинской школы Осакского столичного университета в Японии.
Доктор Уэда недавно стал соавтором исследования, опубликованного в журнале Radiology: Cardiothoracic Imaging, посвященного использованию рентгеновских снимков грудной клетки для выявления стеатоза печени — заболевания печени, характеризующегося накоплением жира в печени и поражающего, по оценкам, 25% населения мира.
«Рентгенография грудной клетки широко распространена, недорога и уже позволяет получить изображение части печени», — сказал он. «Если ИИ сможет извлекать из них сигналы, связанные с печенью, мы сможем проводить скрининг без дополнительных обследований».
По словам доктора Уэды, целью исследования было ответить на относительно простой вопрос: может ли модель глубокого обучения распознать обычный рентгеновский снимок грудной клетки в передней проекции и выявить стеатоз печени?
В ходе исследования были ретроспективно собраны 6599 рентгеновских снимков грудной клетки в передне-задней проекции, сопоставленных с результатами исследований с контролируемым параметром ослабления (CAP), от 4414 пациентов из двух медицинских учреждений. Один центр предоставлял изображения для обучения, настройки и внутреннего тестирования, а другой служил внешним тестовым набором.
«Рентгенография грудной клетки широко распространена, недорога и уже позволяет получить изображение части печени. Если искусственный интеллект сможет извлекать из этих снимков сигналы, связанные с печенью, мы сможем проводить скрининг в экстренных случаях без дополнительных обследований».
— ДАЙДЖУ УЭДА, доктор медицинских наук, доктор философии
Развитие, обучение и повышение эффективности
Были разработаны потенциальные модели искусственного интеллекта для диагностики стеатоза печени с использованием коммерческих сверточных нейронных сетей (CNN), применяемых в глубоком обучении, особенно для задач распознавания изображений и компьютерного зрения.
Сверточные нейронные сети (CNN) обучались и настраивались путем обновления общих параметров предварительно обученной модели ImageNet , нейронной сети, которая была обучена на наборе данных ImageNet, одном из крупнейших и наиболее широко используемых наборов данных в компьютерном зрении .
Исследователи определили оптимальный порог для классификации изображений как положительных или отрицательных на наличие стеатоза, максимизируя индекс Юдена на тестовом наборе данных. Этот индекс — показатель, используемый для оценки эффективности диагностического инструмента. Он помогает определить оптимальный порог, обеспечивающий баланс между чувствительностью и специфичностью.
В процессе обучения модели ИИ получали на вход только рентгеновские снимки, помеченные как принадлежащие пациентам с жировой дистрофией печени или без нее (согласно значению CAP), и выявляли рентгенологические признаки, которые могли предсказать наличие жировой дистрофии печени.
Модель глубокого обучения продемонстрировала хорошие результаты в обнаружении стеатоза печени как во внутреннем (AUC 0,83), так и во внешнем (AUC 0,82) тестовых наборах, со значениями точности/чувствительности/специфичности 77%, 68% и 82% соответственно для изображений внутреннего теста и 76% для всех трех показателей для изображений внешнего теста.
В анализе, в котором использовалось только одно обследование каждого пациента, независимо от того, проходили ли они несколько обследований CAP или только одно, значения AUC составили 0,86 для внутренних тестовых изображений и 0,83 для внешних тестовых изображений. Карты значимости выделяли области на уровне диафрагмы или ниже нее в 74,2% внешних тестовых изображений, что соответствует области печени/диафрагмы.
«Эти результаты подтверждают целесообразность скрининга с использованием существующих рентгеновских снимков грудной клетки, что повышает эффективность без увеличения времени сканирования», — сказал доктор Уэда. «Подобный инструмент может помочь в определении пациентов, которым необходимо пройти специализированное обследование печени, что позволит радиологам на более ранних этапах внести свой вклад в лечение метаболических заболеваний печени».
Модель должна вызывать подозрения, а не существовать сама по себе.
В то время как предыдущие исследования были направлены на изучение печени с использованием УЗИ, КТ или МРТ, работа доктора Уэды уникальна тем, что она оценила стандартные рентгеновские снимки грудной клетки, которые широко доступны и воспроизводимы, и продемонстрировала внешнюю валидацию.
«Насколько нам известно, это первое сообщение, демонстрирующее, что модель, основанная на рентгеновских снимках грудной клетки, может с высокой эффективностью выявлять стеатоз», — сказал он.
Хотя это исследование может быть новаторским, доктор Уэда спешит отметить, что необходимо провести дополнительную работу. Это включает в себя проведение проспективной многоцентровой валидации; калибровку с учетом различных показателей распространенности и этнической принадлежности; а также исследования рабочих процессов.
Это также означает интеграцию клинических и лабораторных данных в модель для улучшения ее общей производительности и уменьшения количества ложных срабатываний.
«Если этот подход будет подтвержден в ходе проспективных исследований, он позволит выявлять пациентов из группы риска на более ранних стадиях, своевременно назначать консультации по изменению образа жизни или проводить необходимые обследования, а также сократить количество ненужных КТ/МРТ в группах низкого риска, особенно в условиях ограниченных ресурсов», — отметил доктор Уэда.
Пока этого не произойдет, доктор Уэда заявил, что эту модель следует использовать для того, чтобы вызвать подозрение, а не для постановки самостоятельного диагноза.
Хотя рентгенография грудной клетки не заменит специализированную визуализацию печени, с помощью ИИ она может служить недорогим, неинвазивным и практически универсальным методом первичной сортировки пациентов.
«Искусственный интеллект расширяет роль рентгеновского излучения от подтверждения диагноза до непрерывной стратификации риска в масштабах всего населения», — заключил доктор Уэда. «Хотя это, возможно, и не история полного возрождения, это определенно дает проверенному и зрелому методу новую жизнь в качестве масштабируемой платформы скрининга, усовершенствованной программным обеспечением».
Внимание, автоперевод! За ошибки перевода ответственности не несём. Первоисточник по ссылке.