Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Hiệu suất của phần mềm dựa trên trí tuệ nhân tạo trong việc phát hiện tự động các tổn thương phổi trên hình ảnh X-quang ngực ở bệnh nhân nghi ngờ mắc ung thư phổi
Springer Science and Business Media LLC - Trang 1-9 - 2023
Tóm tắt
Nghiên cứu này nhằm đánh giá hiệu suất của phần mềm CXR-AID dựa trên trí tuệ nhân tạo có sẵn trên thị trường trong việc phát hiện tự động các nốt phổi trên hình ảnh X-quang ngực của những bệnh nhân nghi ngờ mắc ung thư phổi. Nghiên cứu hồi cứu này bao gồm 399 bệnh nhân có nghi ngờ lâm sàng mắc ung thư phổi đã trải qua chụp CT và chụp X-quang ngực trong vòng 1 tháng, từ tháng 6 năm 2020 đến tháng 5 năm 2022. Các vùng nghi ngờ trên hình ảnh X-quang ngực được CXR-AID xác định được phân loại thành vùng mục tiêu (các vùng được phát hiện đúng) và vùng không mục tiêu (các vùng phát hiện không đúng). Các vùng không mục tiêu được chia thành vùng không mục tiêu bình thường (dương tính giả cho các cấu trúc bình thường) và vùng không mục tiêu bất thường. Điểm hiển thị, đặc điểm và vị trí của các nốt, sự hiện diện của các cấu trúc chồng chéo, điểm số phổi nền và sự hiện diện của bệnh phổi được đánh giá thủ công và so sánh giữa các nốt được phát hiện hoặc không được phát hiện bởi CXR-AID. Các chỉ số xác suất được tính toán bởi CXR-AID được so sánh giữa các vùng mục tiêu và không mục tiêu. Trong tổng số 450 nốt được phát hiện ở 399 bệnh nhân, 331 nốt được phát hiện ở 313 bệnh nhân có thể nhìn thấy trên hình ảnh X-quang ngực trong quá trình đánh giá thủ công. CXR-AID đã phát hiện được 264 trong số 331 nốt này với độ nhạy là 0.80. Độ nhạy phát hiện tăng lên đáng kể với điểm số hiển thị. Không có mối tương quan đáng kể nào được quan sát giữa điểm số phổi nền và độ nhạy. Vùng không mục tiêu mỗi hình ảnh là 0.85, và chỉ số xác suất của vùng không mục tiêu thấp hơn so với vùng mục tiêu. Vùng không mục tiêu bình thường mỗi hình ảnh là 0.24. Những nốt lớn hơn và đặc hơn thể hiện độ nhạy cao hơn, trong khi các nốt có cấu trúc chồng chéo cho thấy độ nhạy phát hiện thấp hơn. Độ nhạy phát hiện nốt phổi của CXR-AID trên hình ảnh X-quang ngực là 0.80, và các vùng không mục tiêu và vùng không mục tiêu bình thường mỗi hình ảnh lần lượt là 0.85 và 0.24. Những nốt lớn, đặc mà không có cấu trúc chồng chéo dễ dàng được CXR-AID phát hiện hơn.
Từ khóa
Tài liệu tham khảo
Schaefer-Prokop C, Neitzel U, Venema HW, Uffmann M, Prokop M. Digital chest radiography: an update on modern technology, dose containment and control of image quality. Eur Radiol. 2008;18:1818–30.
Nam JG, Hwang EJ, Kim J, Park N, Lee EH, Kim HJ, et al. AI improves nodule detection on chest radiographs in a health screening population: a randomized controlled trial. Radiology. 2023. https://doi.org/10.1148/radiol.221894.
Nakayama T, Baba T, Suzuki T, Sagawa M, Kaneko M. An evaluation of chest X-ray screening for lung cancer in gunma prefecture, Japan: a population-based case-control study. Eur J Cancer. 2002;38:1380–7. https://doi.org/10.1016/s0959-8049(02)00083-7.
Quekel LG, Kessels AG, Goei R, van Engelshoven JM, et al. Detection of lung cancer on the chest radiograph: A study on observer performance. Eur J Radiol. 2001;39:111–6.
Aberle DR, DeMello S, Berg CD, Black WC, Brewer B, Church TR, et al. Results of the two incidence screenings in the national lung screening trial. N Engl J Med. 2013;369:920–31.
Lee KH, Goo JM, Park CM, Lee HJ, Jin KN. Computer-aided detection of malignant lung nodules on chest radiographs: Effect on observers’ performance. Korean J Radiol. 2012;13:564–71.
De Boo DW, Prokop M, Uffmann M, van Ginneken B, Schaefer-Prokop CM. Computer-aided detection (CAD) of lung nodules and small tumours on chest radiographs. Eur J Radiol. 2009;72:218–25. https://doi.org/10.1016/j.ejrad.2009.05.062.
Çallı E, Sogancioglu E, van Ginneken B, van Leeuwen KG, Murphy K. Deep learning for chest X-ray analysis: A survey. Med Image Anal. 2021;72: 102125. https://doi.org/10.1016/j.media.2021.102125.
Sim Y, Chung MJ, Kotter E, Yune S, Kim M, Do S, et al. Deep convolutional neural network–based software improves radiologist detection of malignant lung nodules on chest radiographs. Radiology. 2020;294:199–209. https://doi.org/10.1148/radiol.2019182465.
Jang S, Song H, Shin YJ, Kim J, Kim J, Lee KW, et al. Deep learning–based automatic detection algorithm for reducing overlooked lung cancers on chest radiographs. Radiology. 2020;296:652–61. https://doi.org/10.1148/radiol.2020200165.
Aisu N, Miyake M, Takeshita K, Akiyama M, Kawasaki R, Kashiwagi K, et al. Regulatory-approved deep learning/machine learning-based medical devices in Japan as of 2020: A systematic review. PLOS Digital Health. 2022;1: e0000001. https://doi.org/10.1371/journal.pdig.0000001.
Ueno M, Yoshida K, Takamatsu A, Kobayashi T, Aoki T, Gabata T. Deep learning-based automatic detection for pulmonary nodules on chest radiographs: The relationship with background lung condition, nodule characteristics, and location [published online ahead of print, 2023 Jul 22]. Eur J Radiol. 2023;166:111002. https://doi.org/10.1016/j.ejrad.2023.111002.
De Boo DW, Uffmann M, Weber M, Bipat S, Boorsma EF, Scheerder MJ, et al. Computer-aided detection of small pulmonary nodules in chest radiographs: an observer study. Acad Radiol. 2011;18:1507–14.
Nam JG, Park S, Hwang EJ, Lee JH, Jin KN, Lim KY, et al. Development and validation of deep learning-based automatic detection algorithm for malignant pulmonary nodules on chest radiographs. Radiology. 2019;290:218–28.