ČERNÝ, Martin, Daniel KVAK, Daniel SCHWARZ, Hynek MÍRKA and Jakub DANDÁR. Role umělé inteligence v časném záchytu ložiskových změn plicního parenchymu při RTG vyšetření hrudníku: zkušenosti z retrospektivních studií na české populaci. Časopis lékařů českých. Praha: Česká lékařská společnost J. Ev. Purkyně, 2023, vol. 2023, 7-8, p. 283-289. ISSN 0008-7335.
Other formats:   BibTeX LaTeX RIS
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 Article in a journal
Field of Study 30224 Radiology, nuclear medicine and medical imaging
Confidentiality degree is not subject to a state or trade secret
WWW URL
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
Changed by Changed by: Mgr. Daniel Kvak, učo 445232. Changed: 7/9/2024 08:30.
Abstract
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 MUName: Rozvoj vědeckých aspektů simulačního vzdělávání na LF MU I.
Investor: Masaryk University, Expansion of scientigic aspects in simulation-based education I.
PrintDisplayed: 12/10/2024 01:20