Convalida esterna di un modello basato sul deep learning per il rilevamento dell'embolia polmonare nelle scansioni TC del torace

L'embolia polmonare (EP) è una malattia potenzialmente fatale se non prontamente diagnosticata e trattata. La CTPA toracica rimane il gold standard per la diagnosi al giorno d'oggi, ma l'EP può anche essere trovata incidentalmente su scansioni TC potenziate. La maggior parte degli esami CTPA viene eseguita in clinica in caso di sospetto di EP in condizioni urgenti, mentre una minoranza viene eseguita per condizioni di tromboembolia polmonare cronica sospetta o validata, una malattia spesso trascurata nelle scansioni TC ma affetta da elevata morbilità e prognosi infausta se non trattata . Pertanto, i metodi per accelerare e automatizzare il riconoscimento degli emboli all'interno dei vasi polmonari hanno il potenziale per diventare un importante supporto nella pratica clinica, consentendo un migliore triage dei casi urgenti di EP e una maggiore sensibilità nell'identificazione dei pazienti con tromboembolia polmonare cronica. Sulla base di queste esigenze cliniche, è stato sviluppato un modello basato sul deep learning per il rilevamento dell'embolia polmonare sulle scansioni CTPA. Il modello era basato sull'architettura 2D ResNext50 ed è stato addestrato e convalidato utilizzando un set di dati open source multicentrico composto da 7169 pazienti. Da questi dati retrospettivi sono state estratte per il training 85.000 fette positive per EP e 123.428 negative per EP. Per la convalida interna, sono state utilizzate 9.922 sezioni per ciascuna classe. Il modello è stato inizialmente convalidato esternamente a livello di paziente utilizzando un set di dati di 156 pazienti adulti provenienti da 3 diverse fonti pubbliche, con tutti gli emboli segmentati da almeno un radiologo esperto. Per ottenere informazioni sulle previsioni del modello, le mappe di attivazione sono state estratte utilizzando il metodo Grad-CAM. Confrontando queste mappe con le segmentazioni Ground Truth (GT), è stato determinato se le regioni attivate corrispondessero a regioni di PE calcolando la percentuale di GT PE che è stata attivata e la percentuale di regioni attivate corrispondenti a GT PE. Il modello di classificazione PE ha raggiunto un'area sotto la curva (AUC) di 0,86 [0,800-0,919], una sensibilità dell'82,68 % [75,16 - 88,27] e una specificità del 79,31 % [61,61 - 90,15] sul set di convalida esterno. Tuttavia, questi risultati sono stati ottenuti in una coorte di validazione esterna sbilanciata (127 pazienti PE positivi contro 29 pazienti PE negativi), quindi è molto importante valutare le prestazioni del modello anche in una coorte di pazienti più bilanciata, che rappresenta la reale incidenza clinica di EP ( tra il 12 e il 22%). Per questo motivo lo scopo del presente studio è quello di raccogliere una coorte di convalida esterna rappresentativa della realtà clinica reale, includendo sia CTPA che scansioni TC potenziate, con una percentuale più equilibrata di casi di EP positivi e negativi. Inoltre, le prestazioni del modello saranno confrontate tra scansioni CT e CTPA migliorate.