Monikeskustutkimus keinoälytyökalusta rintakehän röntgensäteiden automaattista luokittelua varten

Ajankohtainen ongelma radiologian osastoilla on suoritettujen tutkimusten määrän jatkuva kasvu. Tämä jatkuvasti kasvava tiedon määrä lisää aikaa, joka lääketieteen asiantuntijoiden on käytettävä näiden tutkimusten raportointiin. Raportointimenetelmät vaihtelevat kuvantamismenetelmän mukaan, joka monimutkaisissa keskuksissa sisältää muun muassa radiologian, tietokonetomografian, magneettikuvauksen ja ultraäänen. Tällä hetkellä suurin tutkimusmäärä kuuluu tavalliseen röntgenkuvaukseen. Italiano de Buenos Airesin sairaalassa (HIBA) tehtiin yli 220 000 röntgenkuvaa vuoden 2019 aikana, ja tässä ryhmässä yli 50 % harjoituksista on rintakehän röntgenkuvauksia, jotka tehdään mahdollisten vakavien sairauksien alustavaan havaitsemiseen. (keuhkokyhmy, keuhkokuume, ilmarinta).

Tämä kuvantamismenetelmä ei ole houkutteleva, eikä sitä ole tutkittu uusien kuvantamisasiantuntijoiden sukupolvien keskuudessa, koska he haluavat siirtyä kohti nykyaikaisempia ja monimutkaisempia menetelmiä, kuten tietokonetomografiaa tai magneettikuvausta. Siksi analysoitavien tavallisten röntgenkuvien määrän lisääntymisen ongelmaa pahentaa pula asiantuntijoista, joilla on omistautumista ja kokemusta niiden tulkinnasta.

Tietojenkäsittelytieteen alalle on syntynyt tutkimusalue nimeltä tekoäly (AI), joka koostuu tietokonejärjestelmästä, joka oppii suorittamaan tiettyjä rutiinitehtäviä ja joka voi täydentää tai jäljitellä ihmisen työtä. Kehittäjän on kerrottava tekoälyjärjestelmälle, mitä vastetta annetulta ärsykkeeltä halutaan. Esimerkki tästä on tekstinkäsittelyohjelman oikeinkirjoituksen tarkistus.

Tekoälyn ala kattaa laajan valikoiman alakenttiä ja erityistekniikoita, kuten koneoppimisen (ML) tai syväoppimisen (DL). ML kattaa kaikki työkalut, joissa tietokoneistettua dataa käytetään sovittamaan malliin, joka tekee johtopäätökset tästä syöttötiedosta. Algoritmit on koulutettu oppimaan annettuja tehtäviä aiemmin luokiteltujen tietojen perusteella. Tämä sisältää myös perinteiset tekniikat ennustavien mallien tai luokitusmallien luomiseksi. Sähköpostiroskapostin suodatus on esimerkki ML:stä. Neuroverkot ovat yksi ML:n sisältämistä työkaluista.

Lopuksi DL on vuonna 2015 ilmestynyt ML-tyyppi, joka koostuu kerrosten lisäämisestä perinteiseen hermoverkkoon ja siten epälineaarisen mallin luomisesta, jonka monimutkaisuusaste on suurempi, koska se lisää säädettävien parametrien määrää. Tämä verkko on alttiina koulutustietojoukolle, joka koostuu jo merkityistä tiedoista, ja "oppii" merkitsemään uutta tietoa matkimalla tietojoukon merkintäkriteereitä. Tämä oppiminen on itse asiassa malliparametrien iteratiivista säätöä, joita muutetaan iteratiivisesti alkuperäisen merkinnän ja verkon ehdottaman merkinnän välisen virheen mukaan. Kun malli on koulutettu, sen parametrit ovat kiinteät ja sitä voidaan käyttää päättelemään uusia tietoja, joiden merkintöjä ei tunneta. DL-menetelmien on havaittu toimivan data-analyysissä paljon paremmin kuin perinteiset menetelmät. DL:llä on jo sovelluksia jokapäiväiseen elämään, kuten puheavustajat älypuhelimissa tai automaattinen kasvojentunnistus ja etiketöinti sosiaalisissa verkostoissa.

Kuvankäsittelyyn sovellettu DL perustuu menetelmään, jota kutsutaan konvoluutiohermoverkoiksi. Sen soveltamista on tutkittu lääketieteellisen kuvantamisen alalla ja löydetty suorituskyvyn parannuksia kohteen havaitsemisesta (radiologisten kuvien anatomiset tai patologiset rakenteet) segmentointitehtäviin.

Hospital Italiano de Buenos Airesissa on vuodesta 2018 lähtien ollut käynnissä TRx-ohjelma, joka koostuu tekoälypohjaisen työkalun kehittämisestä patologisten löydösten havaitsemiseksi rintakehän röntgenkuvissa. Projekti on osa Italiano de Buenos Airesin sairaalan Artificial Intelligence in Healthcare -ohjelmaa, ja sen toteuttaa monialainen asiantuntijatiimi, johon kuuluvat biolääketieteen insinöörit, datatieteilijät, radiologit, kliiniset kliiniset informaatikko, metodologit ja ohjelmistosuunnittelijat. TRx on HIBA:n kehittämä ja validoima DL-malli, joka havaitsee neljän tyyppisiä radiologisia löydöksiä keuhkojen röntgenkuvissa: keuhkojen samentumat (kyhmyt, massat, keuhkokuume, tiivistymät, hiomalasi tai atelektaasi), ilmarinta, keuhkopussin effuusio ja kylkiluu. murtumia. Tämä tunnistus suoritetaan neljän erillisen moduulin kautta, jotka on integroitu yhdeksi järjestelmään. Röntgenkuvaa käsiteltäessä TRx raportoi erilaisia ​​tuloksia. Ensinnäkin yhtenäinen TRx-järjestelmä osoittaa kaksijakoisesti, onko kuva epäilyttävä patologisesta löydöstä vai onko kyseessä mahdollisesti normaali rintakehän röntgenkuva. Toiseksi jokainen neljästä moduulista osoittaa erityisesti, onko havaittu keuhkojen sameutta, ilmarintaa, pleuraeffuusiota tai kylkiluun murtumaa. Lopuksi TRx mahdollistaa lämpökartan visualisoinnin kuvan päälle, joka osoittaa värillisesti sen rintakehän alueen, jossa epäilty löydös havaittiin.

Tämän työkalun tarkoitus on auttaa muita kuin kuvantamislääkäreitä rintakehän röntgenkuvausten diagnosoinnissa tunnistamalla automaattisesti radiologiset löydökset. TRx-versio 1.0 (TRx v1) arvioi yli 14-vuotiaiden potilaiden eturintakehän röntgenkuvat neljän tyyppisen löydöksen osalta: keuhkojen sameus, keuhkopussin effuusio, murtumat ja ilmarinta. Tämän työkalun tavoitteena on parantaa muiden kuin kuvantamislääkäreiden diagnostista suorituskykyä tarjoamalla apua tai "ennakkoraporttia".

Yksi tekoälyssä korostettu tosiasia on, että mallien on oltava toisinnettavissa; mallin on annettava samat tai paremmat tulokset, jos sille annetaan sama syöttö. Vaikka tämä näyttää ilmeiseltä, se on toisin kuin ihmisillä, joilla on yleensä sekä tarkkailijoiden välistä että sisäistä vaihtelua. Tekoälymallin standardin tulee vastata vähintään ihmisen suorituskykyä, jota se auttaa. Toistettavuus riippuu ongelmasta, ja vaihtelun määrä riippuu käsiteltävästä tehtävästä.

Jotkut kirjoittajat raportoivat, että tekoälymallilla voi olla vaikeuksia antaa tarkkoja ennusteita, kun sitä sovelletaan uusiin tilanteisiin tai populaatioihin (eli joille se ei ole alttiina harjoittelun aikana). Kun radiologit pystyvät sopeutumaan onnistuneesti kuvien eroihin (johtuivatko siivujen paksuudesta, skannerin merkinnöistä, kentän voimakkuudesta, gradientin intensiteetistä tai kontrastiajasta) vaikuttamatta heidän kuvien tulkintaan, tekoälyltä yleensä puuttuu tämä kyky. Jos tekoälyagentti on esimerkiksi koulutettu vain 3 Teslan MRI-skannerin kuvilla, ei voida taata etukäteen, että sillä on samat tulokset 1,5 teslan tarkkuudella tehdyissä skannauksissa. Yksi ratkaisu on kehittää matemaattisia prosesseja tietojen tunnistamiseksi, normalisoimiseksi ja muuntamiseksi ajautumisen minimoimiseksi. Toinen lähestymistapa tämän ilmiön lieventämiseksi on suorittaa koulutus ja validointi "täydellisillä" tietojoukoilla, jotka edustavat kutakin kuvadatan hankinta- ja rekonstruointityyppiä.

Tekoälytyökalun diagnostisen suorituskyvyn kokonaisvaltaiseksi arvioimiseksi ja siten sen käyttötarkoituksen varmistamiseksi on suositeltavaa tehdä monikeskustutkimuksia, jotka mahdollistavat tämän suorituskyvyn mittaamisen eri potilaspopulaatioissa ja erilaisissa kuvanhankintaprotokollassa. Tässä monikeskustutkimuksessa pyritään ulkoisesti validoimaan tekoälytyökalun (TRx v.1) suorituskyky diagnostisena apuvälineenä rintakehän röntgensäteissä.