Отмечая перекрывающиеся особенности визуализации, которые могут затруднить дифференциацию небольших образований почек (SRM) на компьютерной томографии (КТ), авторы нового исследования предполагают, что алгоритм глубокого обучения обеспечивает обнаружение, сопоставимое с алгоритмами урологических рентгенологов, и превосходящую производительность по сравнению с ними. неурологическим рентгенологам.
В ретроспективном исследовании, недавно опубликованном в журнале Radiology , исследователи проанализировали компьютерную томографию 1703 пациентов (средний возраст 56 лет), у которых были единичные образования почек. После разработки алгоритма глубокого обучения в обучающих и внутренних тестовых наборах авторы исследования оценили эффективность алгоритма для выявления доброкачественных SRM < 3 см и < 1 см при многоцентровом внешнем и проспективном тестировании.
Для доброкачественных SRM < 3 см многоцентровое внешнее тестирование выявило 80-процентную площадь под кривой (AUC) для алгоритма глубокого обучения, что было меньше, чем AUC для урологических рентгенологов (84 процента), но на шесть процентов выше, чем у неурологических пациентов. в среднем у рентгенологов (74 процента) и на 14 процентов выше, чем в среднем у урологов (66 процентов).
Исследователи также отметили, что алгоритм имел более низкую чувствительность по сравнению с урологическими рентгенологами (48 процентов против 59 процентов), но уровень чувствительности был на 21 и 22 процента выше, соответственно, чем у неурологических радиологов (27 процентов) и урологов (26 процентов). процент).
«Конечная цель — превратить исследования искусственного интеллекта в оптимизацию клинического рабочего процесса. Мы обнаружили, что рентгенологи и урологи общего профиля менее способны идентифицировать доброкачественные СРМ. Наш алгоритм DL может помочь менее опытным врачам, когда эксперты-рентгенологи отсутствуют или недоступны в больницах с ограниченными ресурсами», — написал ведущий автор исследования Ченчен Дай, доктор медицинских наук, который связан с отделением радиологии больницы Чжуншань Фуданьского университета и Шанхайского университета. Институт медицинской визуализации в Шанхае, Китай, и его коллеги.
Хотя алгоритм глубокого обучения имел AUC, сравнимую с показателями урологических рентгенологов в проспективном тестировании (90 процентов против 91 процента) при новообразованиях почек размером менее сантиметра ( < 1) на КТ, исследователи отметили, что чувствительность алгоритма была на 22 процента ниже при внешнем многоцентровом исследовании. тестирование (26 процентов против 58 процентов). Однако, согласно внешним многоцентровым данным, чувствительность алгоритма для опухолей почек размером менее сантиметра была более чем вдвое выше, чем у неурологов-рентгенологов (11 процентов).
Исследователи признали, что ограниченное разрешение и малочисленные типы патологий, возможно, способствовали увеличению процента ошибочной классификации, которую они наблюдали при использовании алгоритма для поражений размером менее сантиметра.
Три ключевых вывода
- Производительность алгоритма глубокого обучения. Алгоритм глубокого обучения показал многообещающие результаты при обнаружении небольших образований почек (SRM) на компьютерной томографии, демонстрируя сопоставимые показатели обнаружения с урологическими рентгенологами и превосходящие результаты по сравнению с неурологическими рентгенологами. Это говорит о том, что алгоритм может стать ценным инструментом для помощи менее опытным врачам и оптимизации клинического рабочего процесса, особенно в больницах с ограниченными ресурсами.
- Обнаружение доброкачественных SRM. Алгоритм показал 80-процентную площадь под кривой (AUC) для обнаружения доброкачественных SRM размером менее 3 см при многоцентровом внешнем тестировании. Хотя чувствительность алгоритма была ниже, чем у урологов-рентгенологов, он превосходил как неурологических радиологов, так и урологов, что свидетельствует о его потенциале в точном выявлении доброкачественных поражений и сокращении ненужных операций.
- Перспективное тестирование и потенциальное влияние. При проспективном тестировании опухолей почек размером менее 1 см (< 1 см) на КТ алгоритм глубокого обучения продемонстрировал сопоставимую AUC с показателями урологических рентгенологов. Хотя он имел более низкий уровень чувствительности при внешнем многоцентровом тестировании, он все же показал существенное улучшение по сравнению с неурологическими рентгенологами. Авторы исследования предположили, что ограниченное разрешение и малочисленные типы патологий могли способствовать снижению чувствительности алгоритма для опухолей почек размером менее сантиметра.
Тем не менее, авторы исследования предположили, что общий потенциал алгоритма может оказать влияние на сортировку случаев почечных образований < 3 см.
«Алгоритм (глубокого обучения) может выступать в качестве основного считывателя КТ-изображений опухоли почки и снизить рабочую нагрузку рентгенологов. Если результат DL указывает на доброкачественность SRM, это побуждает урологов-рентгенологов повторно изучить и проанализировать случай более тщательно. Когда возникает очевидное несоответствие, необходимо провести активное наблюдение или биопсию для подтверждения диагноза, тем самым в некоторой степени сокращая количество ненужных операций», — заявили Дай и его коллеги.
(Примечание редактора: соответствующий контент см. в разделах « Может ли модель радиомики на основе КТ улучшить стратификацию риска для светлоклеточного почечно-клеточного рака? », « Исследование: ПЭТ/КТ PSMA выявляет на 18 процентов больше метастатического рака почки, чем традиционные методы визуализации » и « Новые виды рака почки». Агент ПЭТ/КТ может улучшить диагностику небольших поражений светлоклеточного почечноклеточного рака ».
Что касается ограничений исследования, авторы отметили, что алгоритм глубокого обучения полностью основан на данных хирургических пациентов и в первую очередь разработан с толщиной среза КТ 5 мм. Исследователи признали, что использование более тонких срезов КТ могло улучшить сегментацию алгоритма и точность классификации масс.
Внимание, автоперевод! За ошибки перевода ответственности не несём. Первоисточник по ссылке.
