Validazione sull'Adattabilità Clinica del Modello di Base Specifico per la Diagnosi di Neuroimaging

I disturbi neurologici rappresentano una grave minaccia per la salute umana e creano un notevole onere socio-economico. Gli esami di imaging, inclusi TC e RM, svolgono un ruolo indispensabile nello screening delle malattie, nella diagnosi non invasiva e nella guida delle decisioni terapeutiche. Gli strumenti di intelligenza artificiale (IA) hanno mostrato promettenti prospettive di applicazione clinica nel liberare la produttività dei radiologi e ridurre i tempi di attesa dei pazienti, in particolare in contesti di cure critiche e regioni con carenza di servizi medici. Sebbene gli strumenti di IA addestrati su modelli di base dovrebbero avere una generalizzazione affidabile e possano adattarsi a scenari clinici complessi, gli attuali sistemi di IA spesso mancano di una validazione robusta nella pratica clinica reale.

Di fronte alla crescente domanda di medicina di precisione e alla valanga di dati di imaging medico, gli studi clinici sono essenziali per validare l'efficacia diagnostica dei sistemi assistiti da IA e la loro applicabilità in contesti clinici più ampi. Basandosi su un team multidisciplinare (che integra competenze in IA, radiologia, emergenza, neurologia e patologia) e su precedenti esperienze di ricerca, questo studio ha progettato un protocollo di ricerca completo e robusto per garantire l'affidabilità della sperimentazione, facilitando infine la traduzione clinica.

Questo studio ipotizza che le prestazioni lavorative dei radiologi che collaborano con il modello di base di neuroimaging per TC e RM cerebrali non siano inferiori a quelle di coloro che lavorano in autonomia. Per gli endpoint secondari, indaghiamo le prestazioni della collaborazione IA-radiologo degli strumenti di IA in un ambiente clinico reale. Lo studio clinico contiene tre sotto-studi:

1. Identificazione di casi anomali La scansione cerebrale, inclusi casi normali e tutte le patologie neurologiche coperte sia da TC che da RM, è stata assegnata casualmente a due gruppi di radiologi per classificare in casi normali o anomali con o senza l'etichetta predetta dal sistema assistito da IA. Confronto della sensibilità, specificità ed efficienza dei radiologi che collaborano con l'IA o lavorano in autonomia.
2. Studio per l'identificazione di valori critici Lo studio ha coinvolto una selezione prospettica e randomizzata di dati TC d'urgenza da una finestra di 1-3 giorni. Le prestazioni di tre paradigmi—solo umano, solo IA e umano+IA—sono state valutate separatamente in base all'accuratezza diagnostica, all'efficienza temporale e alla metrica critica del tempo di anticipo nell'identificazione di reperti urgenti quando l'IA era integrata rispetto al solo umano.
3. Esperimento di classificazione delle malattie È stato utilizzato un set di dati selezionato prospetticamente da un periodo specifico, comprendente sia esami TC che RM. L'esperimento confronta le prestazioni di tre approcci diagnostici, inclusa l'interpretazione solo umana, l'analisi solo IA e l'interpretazione collaborativa umano-IA. Parte I, il tempo di completamento del compito, l'accuratezza diagnostica e il tasso di richiamo diagnostico (per casi con più etichette) sono stati calcolati e confrontati tra i tre metodi come segue: (1) I radiologi selezionano indipendentemente e utilizzano modelli di malattia forniti per la generazione di referti, quindi estraggono etichette diagnostiche dai referti; (2) I radiologi generano referti mentre esaminano le immagini con l'aiuto di etichette di categoria generate dall'IA e modelli di referto assegnati dall'IA basati sul sistema di classificazione principale "midnights"; (3) L'IA genera automaticamente il referto completo e le etichette di classificazione. Parte II, i radiologi refertanti originali sono stati richiamati per reinterpretare gli studi, e questa rivalutazione è stata eseguita con l'assistenza di etichette generate dall'IA e modelli corrispondenti. Parte III, sfruttando le capacità di classificazione di un modello linguistico di grandi dimensioni/modello di base, il sistema è stato valutato su più set di test esterni di grandi dimensioni per misurare l'accuratezza e il tempo di elaborazione. Inoltre, è stato selezionato un sottoinsieme randomizzato di casi di varie categorie per la valutazione da parte di neuroradiologi per calcolare il tasso di diagnosi mancate e diagnosi errate.