Zewnętrzna walidacja modelu opartego na głębokim uczeniu się do wykrywania zatorowości płucnej na tomografii komputerowej klatki piersiowej

Zatorowość płucna (PE) jest chorobą potencjalnie śmiertelną, jeśli nie zostanie szybko zdiagnozowana i leczona. CTPA klatki piersiowej pozostaje obecnie złotym standardem diagnostycznym, ale PE można również przypadkowo wykryć w ulepszonych skanach CT. Większość badań CTPA wykonuje się w klinikach w przypadku podejrzenia PE w stanach nagłych, podczas gdy mniejszość jest wykonywana w przypadku podejrzenia lub potwierdzonej przewlekłej zakrzepowo-zatorowej choroby płuc, choroby często pomijanej w tomografii komputerowej, ale obarczonej dużą zachorowalnością i złym rokowaniem, jeśli nie jest leczona . Zatem metody przyspieszające i automatyzujące rozpoznawanie zatorów w naczyniach płucnych mogą stać się ważnym wsparciem w praktyce klinicznej, umożliwiając lepszą segregację pilnych przypadków PE i zwiększoną czułość w identyfikacji pacjentów z przewlekłą chorobą zakrzepowo-zatorową płuc. W oparciu o te potrzeby kliniczne opracowano oparty na głębokim uczeniu model wykrywania zatorowości płucnej na skanach CTPA. Model został oparty na architekturze 2D ResNext50 i został przeszkolony i zweryfikowany przy użyciu wieloośrodkowego zestawu danych typu open source złożonego z 7169 pacjentów. Z tych danych retrospektywnych wyodrębniono 85 000 skrawków pozytywnych dla PE i 123 428 negatywnych dla PE. Do wewnętrznej walidacji wykorzystano 9922 wycinki dla każdej klasy. Model został początkowo zweryfikowany zewnętrznie na poziomie pacjenta przy użyciu zestawu danych 156 dorosłych pacjentów z 3 różnych źródeł publicznych, przy czym wszystkie zatory zostały podzielone przez co najmniej jednego doświadczonego radiologa. Aby uzyskać wgląd w przewidywania modelu, wyodrębniono mapy aktywacji za pomocą metody Grad-CAM. Porównując te mapy z segmentacjami prawdy podstawowej (GT), określono, czy aktywowane regiony odpowiadały regionom PE, obliczając procent GT PE, który został aktywowany, i procent aktywowanych regionów odpowiadający GT PE. Model klasyfikacyjny PE osiągnął pole pod krzywą (AUC) na poziomie 0,86 [0,800-0,919], czułość 82,68% [75,16 - 88,27] i specyficzność 79,31% [61,61 - 90,15] w zewnętrznym zestawie walidacyjnym. Jednak wyniki te uzyskano w niezrównoważonej zewnętrznej kohorcie walidacyjnej (127 pacjentów PE dodatnich wobec 29 pacjentów PE ujemnych), dlatego bardzo ważna jest ocena działania modelu również w bardziej zrównoważonej kohorcie pacjentów, reprezentującej rzeczywistą kliniczną częstość występowania PE ( między 12 a 22%). Z tego powodu zakres niniejszego badania obejmuje zebranie zewnętrznej kohorty walidacyjnej reprezentującej rzeczywistą rzeczywistość kliniczną, w tym zarówno CTPA, jak i wzmocnione skany CT, z bardziej zrównoważonym odsetkiem dodatnich i ujemnych przypadków PE. Ponadto wydajność modelu zostanie porównana między ulepszonymi skanami CT i CTPA.