J 2023

Role umělé inteligence v časném záchytu ložiskových změn plicního parenchymu při RTG vyšetření hrudníku: zkušenosti z retrospektivních studií na české populaci

ČERNÝ, Martin, Daniel KVAK, Daniel SCHWARZ, Hynek MÍRKA, Jakub DANDÁR et. al.

Basic information

Original name

Role umělé inteligence v časném záchytu ložiskových změn plicního parenchymu při RTG vyšetření hrudníku: zkušenosti z retrospektivních studií na české populaci

Authors

ČERNÝ, Martin, Daniel KVAK, Daniel SCHWARZ, Hynek MÍRKA and Jakub DANDÁR

Edition

Časopis lékařů českých, Praha, Česká lékařská společnost J. Ev. Purkyně, 2023, 0008-7335

Other information

Type of outcome

Článek v odborném periodiku

Field of Study

30224 Radiology, nuclear medicine and medical imaging

Confidentiality degree

není předmětem státního či obchodního tajemství

References:

Organization unit

Faculty of Medicine

Keywords (in Czech)

umělá inteligence, hluboké učení, počítačem asistovaná diagnostika, skiagram hrudníku, nádory plic, solitární plicní uzly, plicní masy

Keywords in English

artificial intelligence, deep learning, computer-aided diagnosis, chest X-ray, lung cancer, solitary pulmonary nodules, pulmonary masses

Tags

Reviewed
Změněno: 7/9/2024 08:30, Mgr. Daniel Kvak

Abstract

V originále

Zaměřujeme se na možné využití AI v rámci diagnostiky ložiskových změn plicního parenchymu, které mohou být projevem zhoubného nádoru plic, na základě skiagramu hrudníku. Ačkoliv ve srovnání s jinými metodami, především výpočetní tomografií (CT) hrudníku, tato modalita vykazuje nižší senzitivitu, vzhledem k rutinnímu provádění velmi často představuje první vyšetření, při němž jsou plicní léze zachyceny. Prezentujeme vlastní řešení založené na metodách hlubokého učení, které má za cíl zvýšit záchyt plicních lézí především v časných fázích onemocnění. Následně uvádíme výsledky našich předchozích původních prací, které validují navržený model ve dvou odlišných klinických prostředích – v prostředí spádové nemocnice s nízkou prevalencí nálezů a v prostředí specializovaného onkologického centra. Na základě kvantitativního srovnání se závěry radiologů různých úrovní zkušeností jsme zjistili, že náš model dosahuje vysoké senzitivity, na druhou stranu byla jeho specificita nižší než u oslovených radiologů. V kontextu klinických požadavků a diagnostiky asistované AI hraje zásadní roli zkušenost a klinické uvažování lékaře, proto se v současnosti přikláníme k modelům s vyšší senzitivitou na úkor nižší specificity. V případě suspekce, byť vyhodnocené jako nepravděpodobné, model nález raději předkládá lékaři. Na základě těchto výsledků lze očekávat, že v budoucnu bude AI hrát klíčovou roli v oblasti radiologie jako pomocný nástroj pro hodnotící specialisty. Aby k tomu mohlo dojít, je potřeba vyřešit nejen technické, ale i některé medicínské a regulatorní aspekty. Zásadní je dostupnost kvalitních a spolehlivých informací nejen o přínosech, ale také o limitacích možností strojového učení a AI v medicíně.

Links

MUNI/A/1551/2023, interní kód MU
Name: Rozvoj vědeckých aspektů simulačního vzdělávání na LF MU I.
Investor: Masaryk University, Expansion of scientigic aspects in simulation-based education I.