Ciekawe badanie! Jest realny potencjał AI w medycynie. Sztuczna inteligencja wykrywa ciała obce w oskrzelach lepiej niż radiolodzy

Ciała obce w drogach oddechowych to poważny problem, spotykany zwłaszcza w przypadku dzieci.

Nowe narzędzie oparte na sztucznej inteligencji (AI) potrafi wykrywać mało widoczne obiekty w drogach oddechowych pacjentów lepiej niż doświadczeni radiolodzy – informuje pismo „npj Digital Medicine”.

Ciała obce w drogach oddechowych to poważny problem, spotykany zwłaszcza w przypadku dzieci. Do aspiracji ciała obcego (FBA) dochodzi, gdy niewielki obiekt, często fragment pokarmu, utknie w drogach oddechowych. Typowe objawy to kaszel, duszenie się, trudności w oddychaniu, a czasami także poważniejsze powikłania.

O ile metaliczne ciała obce można łatwo wykryć i zlokalizować na zdjęciu rentgenowskim, to materiały takie jak tworzywa sztuczne, drewno, pestki, orzechy, łupiny i cząstki pokarmu są przezroczyste dla promieniowania rentgenowskiego. Bywa, że zalegają w oskrzelach przez długi czas, upośledzając oddychanie, powodując miejscową niedodmę i przewlekłe stany zapalne. W literaturze fachowej opisywano ciała obce wykryte dopiero po dziesiątkach lat, które otorbiły się i podczas tomografii komputerowej wyglądały jak guz nowotworowy.

Ryzyko poważnych powikłań

Niewykrycie lub późne wykrycie ciała obcego naraża pacjentów na ryzyko poważnych powikłań. Nawet w 75 proc. przypadków aspiracja ciała obcego u dorosłych dotyczy radioprzepuszczalnych ciał obcych.

Dr Yihua Wang, dr Zehor Belkhatir i prof. Rob Ewing z University of Southampton (Wielka Brytania) we współpracy z naukowcami z Wuhan (Chiny) opracowali model sztucznej inteligencji, który przewyższył radiologów, jeśli chodzi o analizowanie obrazów z tomografii komputerowej pod kątem obiektów, które nie są dobrze widoczne na skanach.

Te obiekty mogą być niezwykle subtelne i łatwe do przeoczenia, nawet przez doświadczonych klinicystów

— podkreślił współautor badania, doktorant Zhe Chen z Southampton.

Uznał przy tym, że model opracowany przez naukowców działa jak druga para oczu, pomagając radiologom wykrywać takie obiekty wcześniej i skuteczniej.

Mapowanie dróg oddechowych

Model głębokiego uczenia łączy precyzyjną technikę mapowania dróg oddechowych (MedpSeg) z siecią neuronową, która analizuje obrazy tomografii komputerowej pod kątem ukrytych oznak obecności ciał obcych.

Model został wytrenowany i przetestowany z udziałem trzech niezależnych grup, liczących ponad 400 pacjentów, we współpracy ze szpitalami w Chinach.

Naukowcy porównali diagnozy modelu z diagnozami postawionymi przez trzech doświadczonych radiologów, z których każdy miał ponad dziesięcioletnie doświadczenie kliniczne. Zadanie polegało na przeanalizowaniu 70 tomografii komputerowych, z których 14 stanowiły przypadki przezroczystego dla promieniowania ciała obcego w oskrzelu, potwierdzone bronchoskopią.

Radiolodzy, wykrywając przypadek przezroczystego dla promieniowania ciała obcego, robili to z całkowitą precyzją – nie było wyników fałszywie dodatnich. Dla porównania, model sztucznej inteligencji (AI) osiągnął precyzję na poziomie 77 proc., w niektórych przypadkach dając wyniki fałszywie dodatnie.

Dokładność sztucznej inteligencji

Jednocześnie jednak radiolodzy przeoczyli znaczną część przypadków FBA, identyfikując zaledwie 36 proc. z nich, co uwydatnia trudności, z jakimi borykają się ludzie w ich wykrywaniu. Model AI z kolei był w stanie wykryć 71 proc. przypadków, co oznacza, że znacznie mniej ciał obcych umknęło jego uwadze.

W punktacji F1, która równoważy precyzję i czułość, model uzyskał lepsze wyniki od radiologów – 74 proc. w porównaniu z 53 proc.

Wyniki pokazują realny potencjał sztucznej inteligencji w medycynie, szczególnie w przypadku schorzeń trudnych do zdiagnozowania za pomocą standardowych technik obrazowania

— skomentował dr Yihua Wang, główny autor badania.

Autorzy podkreślają, że system ma wspomagać radiologów, a nie ich zastępować – w szczególności w złożonych lub niepewnych przypadkach. Zamierzają przeprowadzić badania wieloośrodkowe z udziałem większej i bardziej zróżnicowanej populacji, aby udoskonalić model i zmniejszyć ryzyko błędu systematycznego.

tt/PAP