Искусственный интеллект обнаруживает свободный воздух на КТ

Алгоритм глубокого обучения смог обнаружить и количественно оценить области свободного воздуха на КТ изображениях, что позволяет радиологам повысить приоритетность пациентов с этими критическими патологиями, говорится в презентации, представленной на виртуальной конференции RSNA 2020.

Ученые из исследовательской группы под руководством Роберта Харриса, к.м.н., сотрудника компании, предоставляющей услуги телерадиологии VRAD, рассказали о том, как они создали модель глубокого обучения, которая с высоким уровнем специфичности может повышать  приоритетность пациентов, у которых при КТ обследовании брюшной полости или грудной клетки был обнаружен свободный воздух.

Критическая патология

Свободный воздух в грудной клетке и брюшной полости, как правило, является критической патологией и может подразделяться на подтипы, такие как пневмоперитонеум, пневмоторакс и газ в мягких тканях, говорит Харрис. Исследователи сделали предположение, что свёрточная нейросеть на основе сегментации изображений (convolutional neural network – CNN) может быть использована для выявления различных подтипов свободного воздуха на КТ изображениях грудной клетки и брюшной полости и повышения приоритетности этих пациентов в клиническом рабочем процессе.

«Каждый день через нашу систему проходит примерно 450 КТ исследований грудной клетки и брюшной полости, – сказал Харрис. – Выявив на изображениях критические патологии, мы можем повысить сделать так, чтобы эти пациенты были приняты в первую очередь».

Разработка модели

Для разработки своего алгоритма глубокого обучения, исследователи сначала обучили три отдельные модели обработки естественных языков (natural language processing – NLP) для поиска в своей базе данных медицинских заключений, содержащих данные о свободном воздухе. Они использовали следующие ключевые слова для поиска основных подтипов свободного воздуха:

• Пневмоперитонеум (пневмоперитонеум, пневморетроперитонеум, внутрибрюшинный воздух/газ и свободный воздух/газ в брюшной полости/ретроперитонеум)
• Пневмоторакс (пневмоторакс, пневмомедиастинум)
• Газ в мягких тканях (газ в мягких тканях, подкожная эмфизема, некротическая эмфизема, газовая гангрена и некротический фасциит)

После использования NLP моделей для отбора из базы данных исследований, имеющих положительные результаты на свободный воздух, исследователи сегментировали подтипы свободного воздуха на изображениях, используя для этого инструмент «кисть», корректирующий пороговые значения. Они также случайным образом отобрали изображения срезов из контрольной группы, включающей 539 КТ исследований грудной клетки/брюшной полости, имевших отрицательный результат на свободный воздух.

В итоге  Харрис и коллеги получили обучающий и проверочный набор данных, состоящий из 15362 изображений с отрицательными результатами, 3679 изображений с пневмоперитонеумом, 2704 изображений с газом в мягких тканях и 1298 изображений с пневмотораксом. Из них 90% изображений использовались для обучения, и 10% – для проверки.

Далее DICOM изображения со свободным воздухом были преобразованы в два типа JPEG изображений: сосудистое окно, хорошо подходящее для просмотра мягких тканей в брюшной полости и легочное окно, позволяющее лучше визуализировать пневмоторакс, сказал Харрис. Оба типа изображений использовались в качестве входных данных для CNN.

CNN выдает три карты сегментации, по одной для каждого подтипа свободного воздуха. Эти карты сегментации суммируются по всем срезам и умножаются на размер вокселя для расчета объема свободного воздуха для каждого подтипа, говорит Харрис.

Эффективность работы системы

После обучения и проверки модель оценивалась на тестовом наборе данных 200 исследований, в том числе 36 с пневмоперитонеумом, 30 с пневмотораксом и 22 с газом в мягких тканях. Порог для положительного результата составлял 1 см³ для пневмоперитонеума, 10 см³ для пневмоторакса и 0.25 см³ для газа в мягких тканях. С тестовым набором данных алгоритм достигал площади под кривой 0.981 для пневмоперитонеума, 0.915 для пневмоторакса и 0.856 для газа в мягких тканях.

Затем алгоритм был включен в рабочий процесс теларадиологической практики на срок длительностью две недели и использовался в общей сложности для скрининга 6290 КТ исследований на свободный воздух.

Эффективность определения свободного воздуха по подтипам за две недели работы в клинической практике

«Мы пока не задействовали эту информацию в реальных списках приоритетности, потому что эти данные пока еще имеют экспериментальный характер, но если бы мы их включили, эти результаты выглядели бы таким образом», – сказал бы Харрис.

За эти две недели 65 исследований на свободный воздух – некоторые из них с несколькими подтипами – были отмечены как имеющие положительные результаты в рабочем списке приоритетности, заявил он. Чтобы уменьшить количество ложно-положительных результатов, исследователи использовали свои пороговые значения для каждого подтипа, что дало примерно 95% специфичность.

«При такой специфичности наша чувствительность была на уровне 40-процентных значений для всех трех подтипов, что говорит о том, что нам удается определить чуть менее половины всех пациентов со свободным воздухом, и что означает, что нам еще есть над  чем работать, но, безусловно, это хорошо для всех пациентов с этим критическим состоянием, приоритетность которых повышается», – сказал он.

Объем свободного воздуха у каждого пациента сильно варьировался, отметил он.

«Некоторые из пациентов, которых мы пропустили, просто имеют крошечные пятна свободного воздуха, в то время как многие из тех, кого нам удалось отследить, имеют огромные области воздуха, что гораздо важнее для диагностики и лечения», – сказал Харрис.

Ложноположительные результаты обычно наблюдались у пациентов с такими заболеваниями, как плевральный выпот, холецистэктомия, илеус и колит, отметили исследователи.

Оригинал новости можно прочитать здесь