Согласно исследованию, опубликованному  в журнале Radiology, радиологи превзошли четыре коммерчески доступных алгоритма искусственного интеллекта при диагностике заболеваний легких с помощью рентгенограмм грудной клетки, при этом алгоритмы ограничены в сложных случаях .

Ахиллесовой пятой искусственного интеллекта может быть его неспособность синтезировать клиническую информацию, которую радиологи используют ежедневно, такую ​​как история болезни пациента и предыдущие исследования изображений, пишет ведущий автор доктор Луис Плеснер из больницы Херлев и Гентофте в Копенгагене, Дания, и коллеги.

«Мы предполагаем, что следующее поколение инструментов искусственного интеллекта могло бы стать значительно более мощным, если бы оно также было способно на такой синтез, но таких систем пока не существует», — отметили в группе.

По мнению авторов, хотя инструменты искусственного интеллекта все чаще одобряются для использования в радиологических отделениях, существует неудовлетворенная потребность в дальнейшем тестировании их в реальных клинических сценариях.

С этой целью в этом исследовании группа сравнила производительность четырех коммерчески доступных алгоритмов — Annalize Enterprise CXR (Annalise.ai), SmartUrgences (Milvue), ChestEye (Oxipit) и AI-Rad Companion (Siemens Healthineers). по сравнению с отчетами о клинической радиологии группы из 72 радиологов. Набор данных включал 2040 последовательных рентгеновских снимков грудной клетки взрослых, сделанных за двухлетний период в четырех датских больницах в 2020 году. Средний возраст группы пациентов составил 72 года.

Из выборки рентгенограмм грудной клетки 669 (32,8%) имели по крайней мере одну целевую находку. Рентгенологическое исследование органов грудной клетки оценивалось по трем общим признакам: болезни воздушного пространства, пневмотораксу и плевральному выпоту.

Согласно полученным результатам, инструменты ИИ достигли уровня чувствительности от умеренного до высокого: от 72% до 91% для заболеваний воздушного пространства, от 63% до 90% для пневмоторакса и от 62% до 95% для плеврального выпота. Однако, например, для пневмоторакса положительная прогностическая ценность (PPV) для алгоритмов искусственного интеллекта (вероятность того, что пациенты с положительным скрининговым тестом действительно страдают этим заболеванием) колебалась от 56% до 86% по сравнению с 96% для пневмоторакса. рентгенологами, отмечают авторы.

PPV также были ниже для алгоритмов, связанных с болезнями воздушного пространства: PPV колебались от 40% до 50%.

«ИИ предсказал заболевание воздушного пространства там, где ни одно из них не присутствовало в пяти-шести случаях из 10. С такой скоростью система ИИ не может работать сама по себе», — сказал Плеснер в пресс-релизе RSNA.

Плеснер отметил, что большинство исследований обычно склонны оценивать способность ИИ определять наличие или отсутствие одного заболевания, что является гораздо более простой задачей, чем реальные сценарии, когда у пациентов часто наблюдается несколько заболеваний.

«Во многих предыдущих исследованиях, заявлявших о превосходстве ИИ над рентгенологами, рентгенологи просматривали только изображение без доступа к истории болезни пациента и предыдущим исследованиям изображений. В повседневной практике интерпретация рентгенологом визуализационного исследования представляет собой синтез этих трех точек данных», он сказал.

В конечном счете, текущие коммерчески доступные алгоритмы искусственного интеллекта для интерпретации рентгенограмм грудной клетки, по-видимому, не готовы к самостоятельной постановке диагнозов, но они могут быть полезны в качестве инструментов для повышения уверенности рентгенологов в своих диагнозах путем предоставления второго взгляда, добавили исследователи.

«Будущие исследования могут быть сосредоточены на проспективной оценке клинических последствий использования ИИ для рентгенографии грудной клетки для исходов, связанных с пациентами», — заключила группа.

Ссылка на полную статью доступна здесь .