Extern validering av en djupinlärningsbaserad modell för upptäckt av lungemboli på CT-skanningar

Lungemboli (PE) är en potentiellt dödlig sjukdom om den inte diagnostiseras och behandlas snabbt. Bröst CTPA är fortfarande guldstandarden för diagnos nuförtiden, men PE kan också för övrigt hittas på förbättrade CT-skanningar. De flesta CTPA-undersökningar utförs på kliniker vid misstanke om PE under brådskande tillstånd, medan en minoritet utförs för tillstånd med misstänkt eller validerad kronisk lungtromboembolism, en sjukdom som ofta förbises vid datortomografi men som påverkas av hög sjuklighet och dålig prognos om den lämnas obehandlad . Sålunda har metoder för att påskynda och automatisera igenkännandet av emboli i lungkärl potentialen att bli ett viktigt stöd i klinisk praxis, vilket möjliggör bättre triage av akuta fall av PE och en ökad känslighet vid identifiering av patienter med kronisk lungtromboembolism. Baserat på dessa kliniska behov har en djupinlärningsbaserad modell för detektion av lungemboli utvecklats på CTPA-skanningar. Modellen baserades på 2D ResNext50-arkitektur och tränades och validerades med hjälp av en multicentrisk öppen källkodsuppsättning bestående av 7169 patienter. Från dessa retrospektiva data extraherades 85 000 skivor positiva för PE och 123 428 negativa för PE för träning. För intern validering användes 9 922 skivor för varje klass. Modellen validerades initialt externt på patientnivå med hjälp av en datauppsättning av 156 vuxna patienter från 3 olika offentliga källor, med alla emboli segmenterade av minst en erfaren radiolog. För att få insikt i modellförutsägelserna extraherades aktiveringskartor med Grad-CAM-metoden. Genom att jämföra dessa kartor med segmenteringarna av grundsannningen (GT) bestämdes det om de aktiverade regionerna motsvarade regioner av PE genom att beräkna procentandelen GT PE som aktiverades och procentandelen aktiverade regioner motsvarande GT PE. PE-klassificeringsmodellen nådde ett område under kurvan (AUC) på 0,86 [0,800-0,919], en sensitivitet på 82,68 % [75,16 - 88,27] och en specificitet på 79,31 % [61,61 - 90,15] på den externa valideringsuppsättningen. Dessa resultat har dock erhållits i en obalanserad extern valideringskohort (127 PE-positiva mot 29 PE-negativa patienter), därför är det mycket viktigt att bedöma modellprestanda även i en mer balanserad patientkohort, vilket representerar den verkliga kliniska förekomsten av PE ( mellan 12 och 22 %). Av denna anledning är omfattningen av denna studie att samla in en extern valideringskohort som representerar den verkliga kliniska verkligheten, inklusive både CTPA och förbättrade CT-skanningar, med en mer balanserad andel positiva och negativa PE-fall. Dessutom kommer modellens prestanda att jämföras mellan förbättrade CT- och CTPA-skanningar.