Команда под руководством Норвегии запустила новое веб-приложение, которое поможет стажерам-рентгенологам приобрести навыки обнаружения узлов в легких на рентгенограммах грудной клетки. Авторы описали, как его использовать, в статье, опубликованной  в Британском журнале радиологии .

Примечательно, что приложение использует сегментацию изображений на основе глубокого обучения в сочетании с компьютерно-моделированными узлами в легких для автоматического генерирования случаев, рассказал AuntMinnieEurope.com ведущий автор доктор Йенс Боргбьерг, доктор философии из университетской больницы Акерсхус в Осло .

«Для новичка интерпретация изображений поперечного сечения может оказаться непростой задачей», — отметил он.

Самостоятельное обучение является основой радиологического образования. Системные подходы к интерпретации изображений обычно считаются краеугольным камнем в обучении обучающихся. Однако нынешних программных инструментов для настольных компьютеров недостаточно, и многие из них требуют трудоемкого лечения случаев, объяснил Боргбьерг.

В качестве потенциальной альтернативы исследователи начали изучать использование ИИ для искусственного создания клинических случаев. Идея заключается в том, что ИИ может моделировать поражения на основе предыдущих исследований изображений, что может устранить необходимость выявления реальных клинических случаев.

С этой целью Боргбьерг и его коллеги стремились разработать и сделать доступным чистое веб-приложение для тренировки восприятия при обнаружении узлов в легких на рентгенограммах грудной клетки.

Короче говоря, исследователи построили модель глубокого обучения для сегментации легких на основе данных открытого доступа из трех наборов данных рентгенографии грудной клетки. Всего наборы данных включали 513 нормальных изображений и 154 с небольшими узлами в легких. Затем они преобразовали модель в веб-формат, и этот шаг только недавно стал возможен благодаря новым библиотекам JavaScript (например, Tensorflow.js), которые позволяют моделям глубокого обучения запускаться локально в браузерах, отметили авторы.

Затем исследователи объединили модель сегментации с алгоритмом создания искусственных узлов в легких, который позволил «на лету» процедурно вставлять узлы в легких на рентгеновских снимках грудной клетки. Наконец, они интегрировали эту функцию в существующую веб-среду просмотра DICOM, не занимающую много места, и создали динамическую HTML-страницу, с помощью которой пользователи могут указывать параметры для создания обращений. Результатом стало то, что Боргбьерг и его коллеги называют «Тренером восприятия».

Снимки экрана интерфейса средства просмотра изображений до (ab) и после (cd) нажатия кнопки «Просмотр размещенных маркеров». Виджет «Оценка дела» увеличен на (b,d). Один маркер был установлен неправильно (c), что отмечено красным крестом. Один узелок не был идентифицирован (в) и был выделен желтым кружком при наведении курсора мыши в «Списке синтетических поражений». Изображение предоставлено Британским журналом радиологии .

«Приложение демонстрирует новый подход к оперативному генерированию случаев обнаружения узлов в легких на рентгенограмме грудной клетки с использованием сегментации на основе глубокого обучения и моделирования узлов в легких», — пишут авторы.

Приложение позволяет пользователям указывать характеристики узлов в легких, которые необходимо вставить в рентгеновские снимки грудной клетки, а также автоматически формировать обратную связь относительно результатов работы пользователя. На сайте проекта есть письменные и видеоинструкции по использованию приложения.

В конечном итоге, по оценкам, от 60% до 80% радиологических ошибок обусловлены ошибками восприятия, и преподаватели радиологии поощряют разработку и распространение легкодоступных интерактивных подходов для улучшения обучения, отмечают авторы.

«Хотя представленное нами приложение облегчает приобретение неявных навыков восприятия, обучающимся необходимо получить явные знания о патологии и методах визуализации», — написали они.

Таким образом, они предположили, что приложение может стать полезным дополнением к радиологическому образованию, предоставляя легко доступный вариант для крупномасштабной и интенсивной тренировки перцептивных навыков.

Более того, на основе работы могут быть созданы подобные дополнительные инструменты, отметили они. В частности, учитывая, что программа просмотра изображений в первую очередь предназначена для объемных наборов данных, адаптация к КТ является многообещающим направлением для дальнейшего развития (сегментация печени/легких и вставка моделируемых метастазов печени/поражений легких), пишет группа.

«Мы ожидаем, что описание и доступность нашего разработанного решения с открытым исходным кодом могут помочь облегчить радиологическое образование и стимулировать разработку аналогичных образовательных инструментов, дополненных искусственным интеллектом», — заключили Боргбьерг и его коллеги.

Источник