Ekstern validering av en dyp læringsbasert modell for deteksjon av lungeemboli på CT-skanninger

Lungeemboli (PE) er en potensielt dødelig sykdom hvis den ikke blir diagnostisert og behandlet umiddelbart. Bryst-CTPA er fortsatt gullstandarden for diagnose i dag, men PE kan også tilfeldigvis finnes på forbedrede CT-skanninger. De fleste CTPA-undersøkelser utføres i klinikker ved mistanke om PE under presserende tilstander, mens et mindretall utføres for tilstander med mistenkelig eller validert kronisk lungetromboembolisme, en sykdom som ofte overses på CT-skanninger, men påvirkes av høy sykelighet og dårlig prognose hvis den ikke behandles. . Metoder for å fremskynde og automatisere gjenkjennelsen av emboli i lungekar har potensial til å bli en viktig støtte i klinisk praksis, og muliggjøre bedre triage av akutte tilfeller av PE og en økt sensitivitet i identifiseringen av pasienter med kronisk lungetromboemboli. Basert på disse kliniske behovene er det utviklet en dyplæringsbasert modell for påvisning av lungeemboli på CTPA-skanninger. Modellen var basert på 2D ResNext50-arkitektur og ble trent og validert ved hjelp av et multisentrisk åpen kildekode-datasett sammensatt av 7169 pasienter. Fra disse retrospektive dataene ble 85 000 skiver positive for PE og 123 428 negative for PE ekstrahert for trening. For intern validering ble 9 922 skiver brukt for hver klasse. Modellen ble opprinnelig eksternt validert på pasientnivå ved å bruke et datasett med 156 voksne pasienter fra 3 forskjellige offentlige kilder, med alle emboli segmentert av minst én erfaren radiolog. For å få innsikt i modellprediksjonene ble aktiveringskart trukket ut ved hjelp av Grad-CAM-metoden. Ved å sammenligne disse kartene med GT-segmenteringene, ble det bestemt om de aktiverte områdene tilsvarte områder av PE ved å beregne prosentandelen av GT PE som ble aktivert og prosentandelen av aktiverte regioner som tilsvarer GT PE. PE-klassifiseringsmodellen nådde et område under kurven (AUC) på 0,86 [0,800-0,919], en sensitivitet på 82,68 % [75,16 - 88,27] og en spesifisitet på 79,31 % [61,61 - 90,15] på det eksterne valideringssettet. Disse resultatene er imidlertid oppnådd i en ubalansert ekstern valideringskohort (127 PE positive mot 29 PE negative pasienter), og derfor er det svært viktig å vurdere modellytelsene også i en mer balansert pasientkohort, som representerer den reelle kliniske forekomsten av PE ( mellom 12 og 22 %). Av denne grunn er omfanget av denne studien å samle en ekstern valideringskohort som er representant for den virkelige kliniske virkeligheten, inkludert både CTPA og forbedrede CT-skanninger, med en mer balansert prosentandel av positive og negative PE-tilfeller. Dessuten vil ytelsen til modellen bli sammenlignet mellom forbedrede CT- og CTPA-skanninger.