2017. december 16. szombat, Aletta, Etelka napja
Az AI algoritmus felgyorsítja a csontkor meghatározását
Szerző(k): dr. Firtkó Szilveszter
Dátum: 2017-11-29 12:38:50
küldés levélben nyomtatás nyomtatás pdf domkumentumba
Az AI a csontkor meghatározását felgyorsíthatja és pontosabbá is teheti azt.

Röntgenen a beteg életkorának meghatározása kissé nehézkes feladat lehet a radiológusok számára, és azonos páciensről akár egészen eltérő szakorvosi vélemények is születhetnek. A mesterséges intelligencia (AI) azonban könnyebbé teheti ezt a feladatot, olvasható az American Journal of Roentgenology-ban megjelent tanulmány szerint.

Egy koreai kutatócsoport egy mély tanulási algoritmust tanított be, ami a csontkort a referencia adatokhoz képest nagyon jó arányban volt képes megbecsülni. A szoftvert második leletezőként is tesztelték a napi klinikai gyakorlatban, és az így leletező két radiológus átlagosan 29% -kal gyorsabban tudott dolgozni.

"Az automatikus szoftverrendszerünk megbízhatóan pontos csontkor becslésekre volt képes, továbbá növelte a hatékonyságot azáltal, hogy csökkentette a leletezési időt anélkül, hogy veszélyeztette volna a diagnosztikai pontosságot" - mondta Dr. Jeong Rye Kim.

Nehezített leletezés

Gyermekeknél a csontkor meghatározása kritikus feladat a fejlődési státusz meghatározásához és a végső magasság becsléséhez, különösen azoknál, akiknek növekedési zavara és endokrin rendellenessége van. A csontkor meghatározásának legelterjedtebb meghatározási módszere a Greulich-Pyle módszer, ami során a beteg bal oldali csuklóröntgenét hasonlítják össze a Greulich-Pyle atlaszban található standard röntgenfelvételekkel.

"Azonban a csontkor meghatározás időigényes folyamat, nehézkes lehet és nem tartozik a radiológusok legkedveltebb feladatai közé" - mondta a szerző. "Sőt, a pontosság függ a leletező radiológus tapasztalatától, és általában eléggé szubjektív."

A leletezők véleménye közötti változékonysággal kapcsolatos aggályok az automatizált számítógépes csontkor meghatározási módszerek kialakulásához vezettek az elmúlt 25 évben, beleértve a számítógép által támogatott csontvázkori pontszámokat, a számítógép által támogatott csontrendszeri érettség meghatározását és a BoneXpert CAD szoftvert (Visiana) is, mondta a szerző. A hagyományos gépi tanulási technikákkal kifejlesztett BoneXpert számos tanulmányban megmutatta, hogy jó teljesítményt képes nyújtani különféle klinikai környezetben és különböző etnikumú betegekben is.

A mély tanulás ereje

A koreai kutatók egy mély tanulási algoritmust tanítottak be a csontok korának megítélésére, amihez 18940 bal csukló felvételt használtak fel. Korábban az összes röntgent GP szerint értékelték.

A szoftver a csontkor meghatározását végző radiológusnak megmutatja az adott felvételhez leginkább közel álló három felvételt, melyekről leolvasható a csontkor. A szoftvert a Vuno fejlesztette ki, egy szöuli AI szoftver cég, és a Vuno vezető kutatója Sangki Kim volt a projekt vezetője.

A kutatók retrospektív vizsgálatot végeztek a program pontosságának és hatékonyságának, valamint a klinikai gyakorlatban való alkalmazhatóságának értékelésére. Felvételeket gyűjtöttek 200 gyermekgyógyászati ​​betegtől, akiről bal csukló felvétel készült az intézményükben 2016. júliusa és novembere között.
A betegek átlagos életkora 9,8 év volt (tartomány, 3-17 év); a 2 évesnél fiatalabb pácienseket kizárták a vizsgálatból, mivel a Greulich-Pyle módszer nem alkalmazható ebben a korcsoportban. A vizsgálat céljából a referencia csontkort két tapasztalt gyermek ​​radiológus határozta meg egymástól függetlenül; a nézeteltérések esetén a felvételeket kizárták a vizsgálatból addig, amíg egy harmadik tapasztalt radiológus meg nem oldotta ezeket a nézeteltéréseket.
Mind a 200 röntgenfelvételt két radiológus leletezte különböző időpontokban: egy klinikai gyermek radiológus és egy másodéves radiológus rezidens. A klinikai gyermek radiológus több, mint 500 esetben használta már a Greulich-Pyle atlaszt csontokkor meghatározásához, míg a radiológus rezidensnek nem volt klinikai tapasztalata a csontkor meghatározásában. A rezidens ugyanakkor egy tapasztalt gyermek​​radiológus által tartott egynapos tanfolyamon vett részt a vizsgálat előtt.
Az első 100 felvétel értékelésénél a leletezők a Greulich-Pyle atlasz papíralapú formájával manuálisan becsülték meg a csontkort. Egy héttel később a radiológusok ismét ugyanazokat a röntgenfelvételeket értékelték - más sorrendben - a szoftver segítségével. Összehasonlították a szoftver által felajánlott három legmagasabb valószínűségű képet az atlasszal, hogy meghozzák a döntésüket. A fennmaradó 100 röntgenfelvételt hasonló módon két alkalommal értékelték.
Szignifikáns korreláció
A szoftver elsődleges választása a csontkorra 69,5% -os egyezési rátát és szignifikáns korrelációt mutatott a referencia csontkorhoz képest. A szoftver második választása 17% -os egyezési rátát, míg a harmadik választása 7% -os egyezési rátát mutatott a referencia csontkorhoz képest.
"Ezért a szoftver első, második és harmadik választása összességében 93% -os egyezési rátát ért el a referenciacsontok korával" - mondta a csoport.
A kutatók azt is megjegyezték, hogy a szoftver első választása 0,60 éves RMSE (Root Mean Square Error) szintet eredményezett a referenciacsontok korához képest. A szakirodalomban elvégzett korábbi tanulmányokban a BoneXpert szoftver 0,61 és 0,80 év közötti RMSE értékeket produkáltak.

"Ezért úgy véljük, hogy ez az új automata szoftver viszonylag pontos eredményt képes elérni, és nagy valószínűséggel a legmegfelelőbb csontkort mutatja mind a három egyezési rátában," mondták a kutatók. "Mivel a tanulmányunk még csak kezdetleges és a mély tanuláson alapulva becsli meg a csontkort, ami még fejlesztés alatt áll, a technika további fejlesztései és a további adatbevitel várhatóan növelni fogja a pontosságot."
Jobb hatékonyság
A szoftver használatával a klinikai gyermek radiológus (63% a szoftver nélkül 72,5% a szoftverrel) és a radiológus rezidens is (49,5% -ról 57,5% -ra) pontosabban meg tudta határozni a gyermekek csontkoráz, bár ezek a számok statisztikailag nem minősülnek szignifikáns különbségnek. Mindazonáltal a szoftver mindkét leletező számára jelentős javulást eredményezett a hatékonyság terén.

"Amikor a napi klinikai gyakorlatban a szoftvert mint második véleményező alkalmazták, a radiológusok leletezési ideje átlagosan 29% -kal csökkent, anélkül, hogy veszélyeztette volna a csontkor meghatározásának a pontosságát" - mondta a szerző.
Kutatások korlátai között a kutatók a kis mintaméretet említették meg, a páciensek ráadásul egyetlen klinikai központból származtak és azonos ethnicitásúak voltak. Ezenkívül a szoftver előre jelzett csontkor meghatározása, szignifikánsan különbözött a referencia csontoktól bizonyos életkorban, különösen a 12 és 15 évesek között.
"Ezen korcsoportok több adatait kellene felvenni a kiegészítő tanulási adatkészletbe, hogy növeljék a szoftvernek a pontosságát" – mondta a szerző.
Továbbá a későbbi tanulmánynak tartalmaznia kellene egy gyakorlott radiológus és egy kevésbé tapasztalt radiológus közötti hatékonysági különbségek értékelését is, mondta a csoport.
Forrás: Auntminnie

Kapcsolódó témák:                                     Legolvasottabb témák:                          
Hozzászólások