Исследование, показывающее, что искусственный интеллект может помочь в диагностике туберкулеза в отдаленных районах, получило награду Маргулиса

В то время как визуализация играет ключевую роль в диагностике и лечении туберкулеза (ТБ), доступ к радиологии часто ограничен в развивающихся странах, где туберкулез наиболее распространен.

Бет Бурмал, 6 декабря 2018 г.

Надеясь восполнить этот пробел, Парас Лахани, доктор медицинских наук из Университетской больницы Томаса Джефферсона (TJUH) в Филадельфии, и его коллега Баскаран Сундарам, доктор медицинских наук, исследовали эффективность автоматизированного метода выявления туберкулеза на рентгенограммах органов грудной клетки.

В частности, доктор Лахани использовал тип искусственного интеллекта (ИИ) — глубокое обучение (DL) — с использованием предварительно обученных сверточных нейронных сетей (DCNN) для выявления туберкулеза на рентгенограммах грудной клетки. Результаты исследования «Глубокое обучение при рентгенографии грудной клетки: автоматизированная классификация легочного туберкулеза с использованием сверточных нейронных сетей», опубликованные в Интернете в апреле 2017 г. Радиология, были многообещающими.

«Мы определили, что глубокое обучение с помощью CNN может классифицировать туберкулез при рентгенографии грудной клетки», — сказал доктор Лахани, ведущий автор исследования. «Этот метод означает, что рентгенография может облегчить усилия по скринингу и оценке в районах с распространенным туберкулезом и ограниченным доступом к радиологам». Это исследование принесло доктору Лахани Премию Александра Р. Маргулиса за научное мастерство, которая присуждается лучшему исследованию, опубликованному в Радиология в данном году. Доктор Лахани был награжден премией Маргулиса на RSNA 2018.

Этот тип инновационных исследований представляет собой будущее радиологии. Радиология Редактор Дэвид А. Блюмке, доктор медицины.

Рисунок 4 (а) На заднепередней рентгенограмме грудной клетки видны затемнения верхних долей с патологоанатомическим анализом – доказанный активный туберкулез. (b) Та же задне-передняя рентгенограмма грудной клетки с наложением тепловой карты одной из самых сильных активаций, полученных из пятого сверточного слоя после того, как он был пропущен через классификатор GoogLeNet-TA. Красные и голубые области в верхних долях представляют собой области, активируемые глубокой нейронной сетью. Темно-фиолетовый фон представляет области, которые не активированы. Это показывает, что сеть фокусируется на частях изображения, где присутствует заболевание (оба верхних лепестка).

«Авторы оценили глобальную проблему общественного здравоохранения — особенно для регионов, где мало рентгенологов», — сказал доктор Блюмке. «Важно, д-р. Лахани и Сундарам подтвердили свои результаты, изучив рентгенограммы грудной клетки из США, Беларуси и Китая. Этот тип хорошо проверенного исследования изменит практику радиологии».

По словам доктора Лакхани, потенциал улучшения выявления туберкулеза, одной из 10 основных причин смерти во всем мире, был сильным стимулом для исследования. По данным Всемирной организации здравоохранения (ВОЗ), в 2016 году примерно 10,4 миллиона человек заболели туберкулезом, что привело к 1,8 миллионам смертей.

«Автоматизированное решение — или доказательство того, что автоматизированное решение может работать — может изменить ситуацию с этим заболеванием, особенно в развивающихся странах, таких как страны Африки к югу от Сахары», — сказал доктор Лахани.
«Важнейшим приоритетом ВОЗ является искоренение туберкулеза».

Модель AI показывает 96-процентную точность

Для исследования доктора. Лахани и Сундарам получили 1007 рентгеновских снимков пациентов с активным туберкулезом и без него, состоящих из нескольких наборов данных рентгенографии грудной клетки из Национальных институтов здравоохранения, Белорусского туберкулезного портала и TJUH. Наборы данных были разделены на обучающие (68,0%), проверочные (17,1%) и тестовые (14,9%).

Случаи использовались для обучения двух разных моделей DCNN — AlexNet и GoogLeNet, которые учились на ТБ-позитивных и ТБ-негативных рентгеновских снимках.Точность моделей была проверена на 150 случаях, которые были исключены из наборов данных для обучения и проверки.

Лучшей моделью искусственного интеллекта была комбинация AlexNet и GoogLeNet с чистой точностью 96 процентов.

У двух моделей DCNN были расхождения в 13 из 150 тестовых случаев. Для этих случаев исследователи оценили рабочий процесс, в котором опытный рентгенолог мог интерпретировать изображения, точно диагностируя 100 процентов случаев. Этот рабочий процесс, в котором участвовал человек, имел большую чистую точность, близкую к 99 процентам.

По словам доктора Лахани, DCNN не были обучены распознавать потенциальные имитаторы легочного туберкулеза, такие как рак легких, бактериальная пневмония или тропические заболевания.

«Цель таких алгоритмов состоит в том, чтобы отличить нормальную рентгенограмму грудной клетки от аномальной в отношении оценки туберкулеза; те, которые помечены как ненормальные с признаками легочного ТБ, должны сопровождаться бактериологическим подтверждением, как это предлагается в рабочих процессах скрининга, представленных ВОЗ. Целью этих рабочих процессов является экономия средств, поскольку стоимость цифровой рентгенографии существенно снизилась за последнее десятилетие», — сказал д-р Лахани.

Д-р Лахани, прошедший стажировку в области ядерной медицины и ПЭТ-КТ, работает радиологом с 2011 года, специализируясь в первую очередь на радиологии сердца в TJUH. По его словам, награда Маргулиса не только является огромной честью, но и придает импульс его планам по дальнейшему совершенствованию моделей с использованием большего количества обучающих примеров и других методов глубокого обучения.

«Эта награда была такой неожиданной, и я действительно польщен», — сказал доктор Лахани. «Искусственный интеллект — горячая область исследований, и я занимаюсь ею около двух лет. Я не планирую менять направление в ближайшее время».

Хотя это было ретроспективное исследование, основанное на наборах данных, доступных на момент проведения исследования, д-р Лахани надеется расширить исследование, исследуя использование DCNN в клинической практике для оценки ТБ.

«При глубоком обучении чем больше у вас данных, тем лучше вы работаете», — сказал доктор Лахани. «В мире есть много данных для разработки более надежных алгоритмов, и будущее этого типа исследований захватывающее».

Рисунок 5. Два изображения с ложноотрицательными результатами, пропущенными обоими классификаторами. (а) Затемнение в правой верхней доле (стрелка) на заднепередней рентгенограмме. (b) Более выраженное затемнение правого надкорневого края (стрелка) на заднепередней рентгенограмме.

Веб-дополнения

Получите доступ к исследованию «Глубокое обучение при рентгенографии грудной клетки: автоматизированная классификация легочного туберкулеза с использованием сверточной нейронной сети» на pubs.rsna.org.