Externe validatie van een op deep learning gebaseerd model voor detectie van longembolie op thorax-CT-scans

Longembolie (PE) is een mogelijk dodelijke ziekte als deze niet snel wordt gediagnosticeerd en behandeld. CTPA op de borst blijft tegenwoordig de gouden standaard voor diagnose, maar PE kan incidenteel ook worden gevonden op verbeterde CT-scans. De meeste CTPA-onderzoeken worden uitgevoerd in klinieken in geval van verdenking van longembolie in urgente omstandigheden, terwijl een minderheid wordt uitgevoerd voor aandoeningen van verdachte of gevalideerde chronische pulmonale trombo-embolie, een ziekte die vaak over het hoofd wordt gezien op CT-scans, maar wordt gekenmerkt door een hoge morbiditeit en een slechte prognose indien onbehandeld . Methoden om de herkenning van embolie in longvaten te versnellen en te automatiseren, hebben dus het potentieel om een ​​belangrijke ondersteuning te worden in de klinische praktijk, waardoor een betere triage van dringende gevallen van longembolie mogelijk wordt en een verhoogde gevoeligheid bij de identificatie van patiënten met chronische longtrombo-embolie. Op basis van deze klinische behoeften is een op deep learning gebaseerd model ontwikkeld voor de detectie van longembolie op CTPA-scans. Het model was gebaseerd op 2D ResNext50-architectuur en werd getraind en gevalideerd met behulp van een multicentrische open source dataset bestaande uit 7169 patiënten. Uit deze retrospectieve gegevens werden 85.000 plakjes positief voor PE en 123.428 negatief voor PE geëxtraheerd voor training. Voor interne validatie werden voor elke klasse 9.922 plakjes gebruikt. Het model werd aanvankelijk extern gevalideerd op patiëntniveau met behulp van een dataset van 156 volwassen patiënten uit 3 verschillende openbare bronnen, waarbij alle embolieën werden gesegmenteerd door ten minste één ervaren radioloog. Om inzicht te krijgen in de modelvoorspellingen werden activeringskaarten geëxtraheerd met behulp van de Grad-CAM-methode. Door deze kaarten te vergelijken met de grondwaarheidssegmentaties (GT), werd bepaald of de geactiveerde regio's overeenkwamen met PE-regio's door het percentage GT PE te berekenen dat was geactiveerd en het percentage geactiveerde regio's dat overeenkomt met GT PE. Het PE-classificatiemodel bereikte een oppervlakte onder de curve (AUC) van 0,86 [0,800-0,919], een sensitiviteit van 82,68 % [75,16 - 88,27] en een specificiteit van 79,31 % [61,61 - 90,15] op de externe validatieset. Deze resultaten zijn echter verkregen in een onevenwichtig extern validatiecohort (127 PE-positief tegen 29 PE-negatieve patiënten). tussen 12 en 22%). Om deze reden is de reikwijdte van de huidige studie het verzamelen van een extern validatiecohort dat representatief is voor de echte klinische realiteit, inclusief zowel CTPA- als verbeterde CT-scans, met een evenwichtiger percentage positieve en negatieve PE-gevallen. Bovendien zullen de prestaties van het model worden vergeleken tussen verbeterde CT- en CTPA-scans.