Ekstern validering af en dyb læringsbaseret model for lungeembolipåvisning på CT-scanninger

Lungeemboli (PE) er en potentielt dødelig sygdom, hvis den ikke omgående diagnosticeres og behandles. CTPA i brystet er stadig guldstandarden for diagnose i dag, men PE kan også tilfældigt findes på forbedrede CT-scanninger. De fleste CTPA-undersøgelser udføres i klinikker i tilfælde af mistanke om PE under akutte tilstande, hvorimod en minoritet udføres for tilstande med mistænkelig eller valideret kronisk pulmonal tromboemboli, en sygdom, der ofte overses på CT-scanninger, men påvirkes af høj morbiditet og dårlig prognose, hvis den ikke behandles . Metoder til at fremskynde og automatisere genkendelsen af ​​emboli i lungekar har således potentialet til at blive en vigtig støtte i klinisk praksis, hvilket muliggør bedre triage af akutte tilfælde af PE og en øget følsomhed i identifikation af patienter med kronisk pulmonal tromboemboli. På baggrund af disse kliniske behov er der udviklet en deep learning-baseret model til påvisning af lungeemboli på CTPA-scanninger. Modellen var baseret på 2D ResNext50-arkitektur og blev trænet og valideret ved hjælp af et multicentrisk open source-datasæt bestående af 7169 patienter. Fra disse retrospektive data blev 85.000 skiver positive for PE og 123.428 negative for PE ekstraheret til træning. Til intern validering blev der brugt 9.922 skiver for hver klasse. Modellen blev oprindeligt eksternt valideret på patientniveau ved hjælp af et datasæt med 156 voksne patienter fra 3 forskellige offentlige kilder, med alle emboli segmenteret af mindst én erfaren radiolog. For at få indsigt i modelforudsigelserne blev aktiveringskort udtrukket ved hjælp af Grad-CAM-metoden. Ved at sammenligne disse kort med jordsandheden (GT) segmenteringer, blev det bestemt, om de aktiverede regioner svarede til regioner af PE ved at beregne procentdelen af ​​GT PE, der blev aktiveret, og procentdelen af ​​aktiverede regioner svarende til GT PE. PE-klassificeringsmodellen nåede et areal under kurven (AUC) på 0,86 [0,800-0,919], en sensitivitet på 82,68 % [75,16 - 88,27] og en specificitet på 79,31 % [61,61 - 90,15] på det eksterne valideringssæt. Disse resultater er imidlertid opnået i en ubalanceret ekstern valideringskohorte (127 PE positive mod 29 PE negative patienter), og det er derfor meget vigtigt at vurdere modelpræstationerne også i en mere afbalanceret patientkohorte, der repræsenterer den reelle kliniske forekomst af PE ( mellem 12 og 22 %). Af denne grund er omfanget af denne undersøgelse at indsamle en ekstern valideringskohorte, der er repræsentativ for den virkelige kliniske virkelighed, inklusive både CTPA og forbedrede CT-scanninger, med en mere afbalanceret procentdel af positive og negative PE-tilfælde. Desuden vil modellens ydeevne blive sammenlignet mellem forbedrede CT- og CTPA-scanninger.