Группа исследователей из Детской больницы Филадельфии сообщила, что модель искусственного интеллекта демонстрирует многообещающие возможности для выявления труднообнаружимых переломов зон роста у детей с помощью рентгеновских снимков.

Модель была разработана на основе 2103 рентгеновских снимков, состоящих из переднезадних и боковых проекций 1082 пациентов (средний возраст 10 лет), и достигла точности в 84% при выполнении задачи, отметил ведущий автор Натан Чаклас, доктор медицинских наук, хирург-ортопед, и его коллеги.

«Эти результаты свидетельствуют о том, что наша модель может быть наиболее полезна в качестве инструмента поддержки принятия решений в отделениях неотложной помощи и скорой помощи, где переломы зон роста требуют направления к ортопеду, а переломы других зон роста — нет», — написала группа. Исследование было опубликовано в журнале «Journal of the Pediatric Orthopaedic Society of North America».

Переломы дистального отдела лучевой кости возникают в области лучевой кости, ближе к запястью, и часто затрагивают эпифиз. Они, как правило, возникают при падениях и являются одними из самых распространённых детских травм. Однако их диагностика может быть сложной: частота ошибочных диагнозов достигает 46%, отмечают исследователи.

Они написали, что это связано с тем, что пациенты часто сначала обращаются не к детскому ортопеду или рентгенологу опорно-двигательного аппарата, а к врачам отделения неотложной помощи. Поэтому группа поставила перед собой цель разработать модель искусственного интеллекта, которая могла бы помочь в таких ситуациях.

Сначала исследователи разделили данные 2103 рентгеновских снимков на обучающий, проверочный и тестовый наборы в соотношении 60:20:20. Они обучили особенно мощное семейство сверточных нейронных сетей (CNN) под названием EfficientNet. Эти модели, разработанные учёными Google AI в 2019 году, варьируются от EfficientNet-B0 до EfficientNet-B7 и возрастают по мере развития.

После обучения они сравнили производительность моделей EfficientNet от B0 до B7 и выбрали лучшую модель на основе наивысшего показателя F1. Показатель F1 — это мера точности модели, учитывающая как точность, так и полноту, и представляет собой единую оценку, уравновешивающую эти два показателя. Чем ближе показатель к 1, тем выше общая производительность.

Тепловая карта Grad-CAM модели EfficientNet-B2 для образца рентгенограммы.Журнал Детского ортопедического общества Северной АмерикиСогласно результатам, лучшей моделью оказалась EfficientNet-B2, которая достигла точности валидации 84% и точности тестирования 84% при выявлении переломов эпифизарных зон. Модель продемонстрировала высокую точность (81%), полноту (89%) и оценку F1 (0,86) на тестовом наборе.

Кроме того, для интерпретации прогнозов модели исследователи использовали Grad-CAM — технологию, которая визуализирует области рентгенограмм, на которых модель научилась фокусироваться для классификации.

«Точная настройка модели EfficientNet позволяет добиться высокой точности выявления переломов зон роста. Более того, Grad-CAM обеспечивает интерпретируемость и прозрачность прогнозов модели, выделяя интересующие области и потенциальные источники ошибок», — написала группа.

Исследователи отметили, что повышение точности диагностики переломов зон роста у детей может иметь значительный клинический эффект. Ошибочная диагностика может привести к задержке роста и деформациям, требующим сложных хирургических вмешательств в более позднем возрасте, таких как резекция зон роста, корригирующие остеотомии или эпифизеодез. Каждая из этих операций сопряжена с определенными рисками и затратами, пишут исследователи.

Более того, они отметили, что на сегодняшний день работа в этой области сосредоточена на демонстрации использования различных моделей ИИ для обнаружения переломов дистального отдела лучевой кости у взрослых, которые могут не давать аналогичных результатов у детей.

«Дальнейшая работа должна включать расширение набора данных за счет более разнообразных и сбалансированных образцов, а также тестирование модели на различных проекциях и типах изломов», — заключили исследователи.

Полное исследование доступно здесь .

Внимание, автоперевод! За ошибки перевода ответственности не несём. Первоисточник по ссылке.