Радиологическое общество Северной Америки ( RSNA ) объявило официальные результаты конкурса RSNA Cervical Spine Fracture AI Challenge . Задача, проводимая RSNA в сотрудничестве с Американским обществом нейрорадиологии (ASNR) и Американским обществом радиологии позвоночника (ASSR) , заключалась в том, чтобы выяснить, можно ли использовать искусственный интеллект (ИИ) для помощи в обнаружении и локализации травмы шейного отдела позвоночника.
Восемь лучших команд будут отмечены на презентации 28 ноября на выставке AI Showcase во время 108-й научной ассамблеи и ежегодного собрания RSNA в Чикаго (RSNA 2022) . Конкурс RSNA Cervical Spine Fracture AI Challenge был проведен на платформе, предоставленной Kaggle, Inc. Лучшие участники получат в общей сложности 30 000 долларов США.
Международный набор данных изображений, собранный и отобранный для этой задачи, является одним из самых больших и разнообразных в своем роде, включая подробные клинические метки, аннотации радиолога и сегментацию.
«Уникальным аспектом конкурса RSNA AI Challenge в этом году является большое разнообразие данных», — сказал Эррол Колак , доктор медицины, FRCPC, доцент кафедры медицинской визуализации Университета Торонто в Онтарио, Канада.
Чтобы создать наземный набор данных, рабочая группа по планированию задач собрала данные изображений, полученные из 12 мест на шести континентах, включая более 1400 КТ-исследований с диагностированными переломами шейного отдела позвоночника и примерно такое же количество отрицательных результатов исследований. Чтобы помочь исследователям в обучении своих алгоритмов обнаружения, специалисты по рентгенологии позвоночника из ASNR и ASSR предоставили аннотации экспертного уровня к подмножеству этих изображений, чтобы указать наличие, уровень позвонков и местоположение любых переломов шейного отдела позвоночника.
Для конкурса-челленджа участники попытались разработать модели машинного обучения, которые соответствовали бы результатам рентгенологов в обнаружении и локализации переломов в пределах семи позвонков, составляющих шейный отдел позвоночника.
«Модели машинного обучения, которые были разработаны в рамках этой задачи, могут помочь улучшить уход за пациентами, помогая радиологам и другим врачам обнаруживать переломы, что может быть сложной задачей», — сказал доктор Колак. «Эти модели могут иметь особое значение в недостаточно обслуживаемых районах с ограниченным доступом к опытным нейрорадиологам. Кроме того, эти модели могут помочь в уходе за пациентами, отдавая приоритет положительным КТ-сканам для проверки рентгенологом в клинических условиях с большим объемом».