Внешняя проверка модели, основанной на глубоком обучении, для обнаружения легочной эмболии на КТ грудной клетки

Легочная эмболия (ТЭЛА) является потенциально смертельным заболеванием, если его своевременно не диагностировать и не лечить. CTPA грудной клетки остается золотым стандартом диагностики в настоящее время, но ТЭЛА также может быть случайно обнаружена при расширенном КТ. Большинство исследований CTPA выполняются в клиниках в случае подозрения на ТЭЛА в неотложных состояниях, тогда как меньшинство выполняется при подозрении или подтвержденной хронической тромбоэмболии легочной артерии, заболевании, которое часто упускается из виду при КТ, но характеризуется высокой заболеваемостью и плохим прогнозом, если его не лечить. . Таким образом, методы ускорения и автоматизации распознавания эмболов в легочных сосудах потенциально могут стать важной поддержкой в ​​клинической практике, обеспечивая лучшую сортировку неотложных случаев ТЭЛА и повышенную чувствительность при выявлении пациентов с хронической легочной тромбоэмболией. На основе этих клинических потребностей была разработана основанная на глубоком обучении модель для обнаружения эмболии легочной артерии на CTPA-сканировании. Модель была основана на архитектуре 2D ResNext50 и была обучена и проверена с использованием многоцентрового набора данных с открытым исходным кодом, состоящего из 7169 пациентов. Из этих ретроспективных данных для обучения были извлечены 85 000 срезов, положительных на ПЭ, и 123 428 отрицательных на ПЭ. Для внутренней проверки для каждого класса использовалось 9 922 среза. Модель была первоначально подтверждена на уровне пациентов с использованием набора данных о 156 взрослых пациентах из 3 различных общедоступных источников, при этом все эмболы были сегментированы как минимум одним опытным рентгенологом. Чтобы получить представление о предсказаниях модели, карты активации были извлечены с использованием метода Grad-CAM. Сравнивая эти карты с сегментацией наземной истины (GT), было определено, соответствуют ли активированные области областям PE путем вычисления процента GT PE, который был активирован, и процента активированных областей, соответствующих GT PE. Модель классификации PE достигла площади под кривой (AUC) 0,86 [0,800-0,919], чувствительность 82,68 % [75,16–88,27] и специфичность 79,31 % [61,61–90,15] в наборе для внешней проверки. Однако эти результаты были получены в несбалансированной когорте внешней валидации (127 пациентов с ТЭЛА с положительным результатом против 29 пациентов с ТЭЛА с отрицательным результатом), поэтому очень важно оценить характеристики модели также в более сбалансированной когорте пациентов, отражающей реальную клиническую заболеваемость ТЭЛА. от 12 до 22%). По этой причине целью настоящего исследования является сбор когорты внешней валидации, репрезентативной для реальной клинической реальности, включая как CTPA, так и расширенные КТ, с более сбалансированным процентом положительных и отрицательных случаев ТЭЛА. Кроме того, производительность модели будет сравниваться между расширенными КТ и CTPA-сканами.