Co studie hodnotila
Tato retrospektivní multi-čtenářská studie posuzovala algoritmus automatického detekování založený na hlubokém učení (Carebot AI CXR v2.00) pro identifikaci podezřelých plicních lézí na rentgenech hrudníku ve specializovaném onkologickém centru. Pět radiologů různého stupně zkušenosti zhodnotilo vybranou sadu 300 CXRs a jejich výkon byl porovnán s AI algoritmem. Cílem bylo určit, zda AI zlepšuje detekci lézí ve srovnání s konvenční interpretací radiologa v prostředí s vysokým klinickým rizikem. MDPI
Výsledky studie v klinické praxi
Model hlubokého učení dosáhl významně vyšší citlivosti než všichni účastnící radiologové, což znamená, že detekoval více skutečných případů lézí a snížil riziko falešně negativních výsledků, které by mohly být přehlédnuty při standardním hodnocení. Specificita AI byla nižší než u radiologů, což naznačuje více falešně pozitivních výsledků. V praxi to naznačuje, že AI funguje jako efektivní nástroj pro podporu rozhodování, který zvyšuje citlivost pro plicní léze — což je zvlášť cenné v onkologických prostředích, kde včasná detekce ovlivňuje výsledky — zatímco konečné hodnocení zůstává na lékaři. PubMed
Klíčová čísla
Posuzované CXRs: 300 ze specializovaného onkologického centra
Citlivost AI (DLAD): 91.0% (CI: 85.4–96.6%)
Rozsah citlivosti radiologů: ~29.0%–81.0%
Specificita AI: 77.5%
Specificita radiologů: ~97.0%–100%
Význam: Citlivost AI byla významně vyšší než u všech radiologů (p < 0.001) M
Rentgen hrudi (CXR) je považován za nejširší používanou modalitu pro detekci a monitorování různých thoraxových nálezů, včetně karcinomů plic a dalších plicních lézí. Nicméně, rentgenové snímkování vykazuje určité omezení při detekci primárních a sekundárních nádorů a je náchylné k chybám v interpretaci kvůli omezenému rozlišení a nejednotnosti mezi radiology. Abychom tyto problémy řešili, vyvinuli jsme algoritmus automatické detekce založený na hlubokém učení (DLAD), který automaticky detekuje a lokalizuje podezřelé léze na CXR. Pět radiologů bylo pozváno, aby retrospektivně zhodnotilo 300 CXR snímků ze specializovaného onkologického centra, a výkonnost jednotlivých radiologů byla následně porovnána s výkonností DLAD. Navrhovaný DLAD dosáhl výrazně vyšší citlivosti (0.910 (0.854-0.966)) než všichni hodnocení radiologové (RAD 1 0.290 (0.201-0.379), p<0.001, RAD 2 0.450 (0.352-0.548), p<0.001, RAD 3 0.670 (0.578-0.762), p<0.001, RAD 4 0.810 (0.733-0.887), p=0.025, RAD 5 0.700 (0.610-0.790), p<0.001). Specificita DLAD (0.775 (0.717-0.833)) byla výrazně nižší než u všech hodnocených radiologů (RAD 1 1.000 (0.984-1.000), p<0.001, RAD 2 0.970 (0.946-1.000), p<0.001, RAD 3 0.980 (0.961-1.000), p<0.001, RAD 4 0.975 (0.953-0.977), p<0.001, RAD 5 0.995 (0.985-1.000), p<0.001). Výsledky studie ukázaly, že navrhovaný DLAD by mohl být využit jako systém pro podporu rozhodování ke snížení míry false negative radiologů.
