Согласно исследованию, опубликованному 21 апреля в журнале Nature: Scientific Data , новый набор данных рентгеновских снимков, разработанный немецкими исследователями, демонстрирует многообещающие результаты в разработке моделей искусственного интеллекта для автоматического выявления патологий и оценки тяжести состояния пациентов в отделениях интенсивной терапии.

Поскольку отделения интенсивной терапии в значительной степени полагаются на прикроватную рентгенографию грудной клетки для наблюдения за тяжелобольными пациентами, этот набор данных может предложить «ценную поддержку для радиологической оценки в этой клинической ситуации, потенциально повышая точность диагностики и эффективность рабочего процесса», — написала группа исследователей во главе с доктором Даниэлем Труном из университетской больницы RWTH Aachen в Германии.

Набор данных, получивший название TAIX-Ray, состоит из 215 381 рентгеновского снимка грудной клетки, сделанного у постели больного, собранного у 47 724 пациентов отделений интенсивной терапии в 10 отделениях с использованием 18 мобильных рентгеновских систем в период с января 2010 года по декабрь 2023 года. В ходе рутинного клинического составления отчетов 134 квалифицированных рентгенолога использовали стандартизированный шаблон для подготовки заключений по результатам обследований, в которых оценивались восемь патологических изменений (кардиомегалия, застой в легких, плевральный выпот [слева/справа], легочные затемнения [слева/справа] и ателектаз [слева/справа]) по пятибалльной шкале (баллы шкалы варьировались от «отсутствует», «сомнительно», «легкое», «умеренное» до «тяжелое»). Команда отметила, что в 2016 году произошел переход от пленочных детекторов к цифровым плоскопанельным детекторам.

Набор данных TAIX-Ray включает в себя прикроватные рентгенограммы грудной клетки; структурированные, детализированные отчеты; демографические данные пациентов; и временные метаданные. Трун и его коллеги использовали его для создания модели на основе Vision Transformer (ViT) (которая представляет собой архитектуру глубокого обучения, применяющую модель, первоначально разработанную для обработки текста, к анализу изображений); кода реализации (который состоит из программных скриптов, используемых для обучения, проверки и тестирования модели); и подмножеств данных для обучения, проверки и тестирования, что позволяет проводить воспроизводимое сравнение результатов.

Они сообщили следующее:

• Модель глубокого обучения, обученная на данных TIAX-Ray, достигла значений площади под кривой рабочей характеристики приемника (AUROC) в диапазоне от 0,80 до 0,91 для восьми патологических изменений на прикроватных рентгеновских снимках грудной клетки. Самое высокое значение AUROC было отмечено для правостороннего плеврального выпота (0,91), а самое низкое — для застоя в легких (0,80).
• При оценке степени тяжести с использованием коэффициента Каппа Коэна общая точность классификации по всем выявленным признакам составляла от 0,55 до 0,69.
• Наиболее распространенными находками были легкий ателектаз, который наблюдался более чем в 60% случаев обследования левой стороны легкого, и легкий застой в легких, присутствующий в 45% случаев обследования.
• Увеличение размеров сердца наблюдалось в 47% случаев кардиологических обследований.

Примеры рентгеновских снимков с различными обозначениями для «застойных явлений в легких», «плеврального выпота», «легочных затемнений» и «ателектаза».Природа: Научные данные

Команда опубликовала набор данных в открытом доступе через HuggingFace , а код — на GitHub , говорится в сообщении.

«Предоставляя полный набор данных вместе с базовыми моделями, кодом и стандартизированными разделениями данных, мы стремимся содействовать дальнейшим исследованиям в области автоматизированной интерпретации рентгенограмм грудной клетки и установить новые стандарты качества маркировки и клинической значимости», — заключили авторы.

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