2017. november 21. kedd, Olivér napja
Az AI képes egyszeri vizsgálat segítségével kimutatni és értékelni is a húgyúti köveket
Szerző(k): dr. Firtkó Szilveszter - radiologia.hu
Dátum: 2017-10-29 08:40:36
küldés levélben nyomtatás nyomtatás pdf domkumentumba
Az AI segítségével a húgyúti kövek precízebben azonosíthatók és akár összetételük is nagy pontossággal meghatározható csupán egy natív sorozat alapján

A mesterséges intelligencia (AI) képes pontosan felismerni és osztályozni a húgyúti köveket, kizárólag a nem kontrasztos CT-vizsgálatok alapján, derült ki egy a Society of Imaging Informatics in Medicine's Conference on Machine Intelligence in Medical Imaging (C-MIMI) előadása szerint.

Egy bizonyítás alapú koncepció tanulmányban a Massachusetts General Hospital (MGH) által létrehozott algoritmus több mint 90% -os érzékenységet és specifikusságot eredményezett a húgyúti kövek kimutatására CT vizsgálatokban. Továbbá nagyon pontosan volt képes a kövek típus szerinti besorolására is, ami egy olyan feladat, amely tipikusan kettős energiájú CT-vizsgálatokat igényel.

Ennek eredményeképpen az algoritmus potenciálisan hatásos lehet a sürgősségi ellátásban olyan betegeknél, akiknek feltételezhetően húgyúti köveik okozzák a tüneteiket, mondta Hyunkwang Lee.

Egyszeri vizsgálat?

Urolithiasis néven ismert húgyúti megbetegedés nagyon gyakori panasz az ambuláns és a sürgősségi betegellátásban. Becslések szerint az Amerikai Egyesült Államokban 100 ezer eset közül 731-et ez tesz ki, mondta Lee.

Jelenleg a nem kontrasztos CT a kezdeti standard eljárás a húgyúti övek értékeléséhez. A kettős energiájú CT technika viszont a kövek összetételének elemzésére használatos, ami segít a megfelelő kezelés megválasztásában, mondta Lee.

"Tehát a radiológusok rendszerint a húgyúti követ a sima CT alapján mutatják ki, az osztályozást pedig a kettős energiájú CT-vizsgálatok alapján teszik meg."

Az MGH kutatói arra törekedtek, hogy megállapítsák, hogy az AI képes-e a húgyúti köveket kimutatni és besorolni mindössze a natív CT vizsgálat alapján. Először 289 esetet gyűjtöttek össze az adatbázisukhoz, amibe 161 olyan beteg tartozott, akik nem rendelkeztek húgyúti kővel, valamint 128 olyan beteget, akiknek pedig volt kövük. A 128 húgyúti kővel rendelkező beteg közül 36 esetben volt 4 mm-nél kisebb a húgyúti kő mérete, míg 66 esetben 4 mm-től 10 mm-ig terjedő húgyúti kő volt megfigyelhető. Emellett 26 betegnél, 10 mm-nél nagyobb kő volt detektálható.

A 4 mm-nél nagyobb kövek közül 79 nem urátnak és 7 urát kőnek számított. Mind a 120 kVp-es, natív CT vizsgálatokat a Discovery CT750 HD szkenner (GE Healthcare) segítségével 2016. januárja és decembere között készítették el. Az adatkészlet kb. 80% -át használták fel a GoogLeNet mély konvolúciós neurális hálózat képzésére, míg 20% ​​-át a betanított algoritmus teljesítményének értékelésére használták fel.

A csoport kaszkádos AI algoritmusát először a húgyutak régiójának azonosítására képezték ki, amely a vese tetejétől a hólyag aljáig tartott. Az algoritmus képes felismerni 23 különböző testrégiót, beleértve a veséket és a húgyhólyagot, mondta Lee. Ezután az algoritmus azt határozza meg, hogy van-e vagy nincs húgyúti kő. A végső szakaszban az algoritmus megpróbálja besorolni az észlelt húgyúti követ, mint nem urát vagy urát kő.

Az előfeldolgozási lépésben az algoritmus képzését megelőzően a felvételeket megtisztították a testtörzsön kívüli műtermékektől, mondta Lee. Az algoritmusuk általánosíthatóbbá tétele érdekében a kutatók adatgyűjtést alkalmaztak a képzési adatlap méretének szintetikus növelésére. Ez magában foglalta a képek véletlenszerű függőleges eltolását, valamint a képek véletlen forgását -10 és 10 ° között, mondta Lee.

Érzékeny és specifikus módszer

A folyamat első szakaszában - testrégió felismerése- az algoritmus átlagosan 97,6% - os összetartozást eredményezett a 23 különböző testrégiónál. Az algoritmus a húgyúti traktus (a vesék teteje és a húgyhólyag alja) közötti átlagos metszéspontját is mintegy 99% -kal csökkentette, mondta Lee.

A tesztelés során az algoritmus nagyon érzékeny és specifikus volt a húgyúti kövek kimutatására:

-          Érzékenység: 90,7%

-          Specificitás: 91,6%

-          Pontosság: 91,1%

-          Az AUC területe: 0,964

Az adatok további feltárásával a kutatók azt találták, hogy az algoritmus érzékenysége magasabb volt a nagyobb kövek esetében.

Pontos osztályozó

Ezenkívül az algoritmus nagyon pontos volt a húgyúti kövek osztályozásában is:

-          Érzékenység: 71,4%

-          Specificitás: 97,3%

-          Pontosság: 95,1%

-          Az AUC területe: 0,961

"A vesében, ureterben és húgyhólyagban található köveket az algoritmussal észlelhetjük és osztályozhatjuk a felvételeken, amivel kiemelhetjük a legfontosabb régiókat minden egyes kő előrejelzéshez" - mondta Lee.

Korlátozások

Lee megjegyezte, hogy az algoritmust a nagyon kicsi kövek összezavarhatják, és néha az érdeklődési körön kívül eső kövekre figyel. Ugyancsak elismerte a csoport kutatásainak számos korlátozását, beleértve a korlátozott adatkészletre való támaszkodást is; viszonylag kisszámú esetet tartalmazott, és a felvételeket csak egy típusú CT szkennerrel vizsgálták meg. Ezenkívül a képelemzést egy képszeleten hajtották végre, nem pedig egy teljes betegalapú elemzést végeztek, mondta Lee.

"A jövőben több felvételi adatot fogunk beszerezni több gyártó cégtől, és átírjuk az algoritmus kimenetelét a páciensalapú előrejelzésekre, például a kövek számára, a kő legnagyobb méretére és a kőösszetételre betegenként" - mondta.

A koncepcionális bizonyítékokon alapuló kutatás azonban megmutatta, hogy az AI-t kimagaslóan használhatják a húgyúti kövek kimutatására és osztályozására, csak a natív CT vizsgálatok segítségével is, mondta Lee. Az algoritmus kb. öt másodpercet vesz igénybe betegenként, ami azt jelenti, hogy a sürgősségi környezetben a húgyúti problémával érkező betegek kivizsgálása és csoportosítása minimális plusz időt venne igénybe.

Forrás: Auntminnie

Kapcsolódó témák:                                     Legolvasottabb témák:                          
Hozzászólások