Искусственный интеллект предсказывает смертность с помощью КТ грудной клетки

Искусственный интеллект (ИИ) преобразил здравоохранение, обеспечив более точную и эффективную диагностику. ИИ демонстрирует значительные перспективы в интерпретации КТ грудной клетки, особенно для обнаружения случайных находок за пределами легких, таких как сердечно-сосудистые аномалии. КТ грудной клетки, широко используемые для скрининга рака легких, захватывают не только легочные изображения, предлагая множество данных о других органах и структурах в грудной полости. Однако эта случайная информация часто упускается из виду из-за основного внимания к заболеваниям легких. Недавнее исследование, проведенное Марцинкевичем и соавторами, направлено на восполнение этого пробела путем использования ИИ для выявления этих случайных находок и прогнозирования смертности от всех причин (ACM). Интегрируя сегментацию нескольких органов и структур с помощью ИИ из изображений КТ грудной клетки, это исследование проливает свет на то, как эта технология может помочь рентгенологам в обнаружении опасных для жизни состояний, тем самым потенциально улучшая результаты лечения пациентов.

Растущая важность внелегочных результатов

КТ грудной клетки обычно выполняется для различных диагностических целей, в частности, для скрининга рака легких. Однако эти сканирования также захватывают другие жизненно важные структуры, такие как сердце, артерии и ткани, окружающие легкие, которые могут содержать важные диагностические подсказки. Внелегочные случайные находки, включая сердечно-сосудистые заболевания, являются обычным явлением и могут быть значимыми предикторами смертности. Как подчеркивается в исследовании, кальций коронарной артерии (CAC) и аномальная эпикардиальная жировая ткань (EAT) являются примерами внелегочных находок, тесно связанных с сердечно-сосудистыми рисками. К сожалению, эти находки часто недооцениваются или игнорируются, несмотря на их клиническую важность.

Исследование Марцинкевича и соавторов подчеркивает потенциал ИИ не только для помощи в выявлении таких случайных находок, но и для прогнозирования долгосрочного риска смертности. Сосредоточившись на 32 сегментированных структурах, видимых на КТ грудной клетки, исследование использует многоструктурную модель ИИ, которая извлекает радиомические признаки из каждого органа, тем самым обеспечивая комплексную оценку рисков для здоровья пациента. Это выходит за рамки традиционного подхода ручной оценки аномалий легких, предполагая смену парадигмы в интерпретации КТ грудной клетки.
 

Интеграция ИИ в радиологии: производительность и предсказательная сила

Исследование, проведенное Марцинкевичем и соавторами, использовало модели ИИ для анализа КТ грудной клетки из большого набора данных, собранных в ходе Национального исследования скрининга легких (NLST). Модели ИИ сегментировали несколько структур и извлекали признаки, которые анализировались на предмет их потенциала для прогнозирования двухлетних и десятилетних показателей смертности. Результаты исследования демонстрируют эффективность ИИ в прогнозировании как краткосрочной, так и долгосрочной смертности от всех причин. Модель ИИ достигла площади под кривой (AUC) 0,72 для десятилетнего ACM и 0,71 для двухлетнего ACM, что является многообещающими результатами, которые подчеркивают предсказательную силу системы.

Более того, было обнаружено, что CAC является наиболее важной характеристикой для прогнозирования смертности, что согласуется с существующими клиническими знаниями о роли ишемической болезни сердца в преждевременной смерти. Исследование также продемонстрировало, что модели ИИ могут обнаруживать значительные случайные внелегочные находки с высокой точностью. Эти результаты свидетельствуют о том, что ИИ может значительно повысить ценность КТ грудной клетки, предоставляя дополнительную, клинически значимую информацию, которую рентгенологи могут упустить из виду из-за подавляющего объема данных.

Внедрение инструментов на основе ИИ в радиологические рабочие процессы может повысить точность прогнозов смертности и помочь в выявлении других основных рисков для здоровья. Это достижение может превратить стандартный скрининг рака легких в более широкий диагностический инструмент, способный обнаруживать множественные состояния высокого риска на ранней стадии, тем самым обеспечивая более своевременные и целенаправленные вмешательства.
 

Проблемы и ограничения ИИ при интерпретации КТ грудной клетки

Хотя исследование подчеркивает перспективы ИИ в медицинской визуализации, оно также признает определенные ограничения и проблемы. Одной из основных проблем, с которыми столкнулось исследование, была вариабельность в сообщении случайных результатов в разных местах скрининга. Исследование отметило значительные расхождения в том, как часто сообщались внелегочные результаты, такие как сердечно-сосудистые аномалии. Например, в некоторых местах сердечно-сосудистые результаты были сообщены у 53% участников, в то время как в других сердечно-сосудистых аномалий отмечено не было. Эта вариабельность отражает потребность в более стандартизированных и автоматизированных методах, таких как анализы на основе ИИ, для обеспечения согласованности и надежности в отчетности.

Еще одной проблемой является зависимость модели от радиомических признаков, которые, хотя и поддаются клинической интерпретации, не так широко признаны, как стандартизированные клинические меры. Это может стать препятствием для внедрения моделей ИИ в клиническую практику, поскольку рентгенологам и клиницистам может потребоваться дополнительное обучение и уверенность в интерпретации этих результатов, полученных с помощью ИИ. Кроме того, из-за текущих ограничений в моделях сегментации ИИ исследование не включало конкретные структуры, такие как лимфатические узлы и ткани молочной железы. Это говорит о том, что, хотя технология ИИ значительно продвинулась вперед, все еще есть возможности для улучшения полноты и точности.

Модель ИИ также столкнулась с трудностями в прогнозировании случайных результатов, сообщаемых рентгенологами, поскольку наблюдалось значительное снижение эффективности прогнозирования во время внешнего тестирования. Это может быть связано с несоответствиями в том, как сообщаются случайные результаты, что подчеркивает необходимость в более стандартизированных структурах отчетности для полного использования потенциала ИИ в радиологии.

Заключение

Интеграция ИИ в анализ КТ грудной клетки, как продемонстрировали Марцинкевич и др., представляет собой значительный прогресс в диагностической визуализации. Используя ИИ для сегментации и анализа множественных структур в грудной области, это исследование показывает, как случайные находки, часто упускаемые из виду в традиционной радиологии, могут дать ценную прогностическую информацию о смертности пациентов. Способность модели ИИ предсказывать как краткосрочную, так и долгосрочную смертность от всех причин на основе внелегочных результатов указывает на будущее, в котором КТ грудной клетки может служить более целостным диагностическим инструментом. Однако остаются проблемы, включая изменчивость в человеческих отчетах и ​​потребность в более совершенных моделях ИИ, способных обрабатывать более широкий спектр анатомических структур.

Поскольку технология ИИ продолжает развиваться, ее роль в здравоохранении, как ожидается, будет расширяться. С дальнейшим развитием и проверкой инструменты на основе ИИ вскоре могут стать незаменимыми в радиологии, позволяя ставить более быстрые и точные диагнозы и потенциально улучшая результаты лечения пациентов за счет раннего вмешательства. Это исследование знаменует собой важный шаг на пути к реализации полного потенциала ИИ в трансформации интерпретации КТ грудной клетки, но также подчеркивает постоянную необходимость сотрудничества между разработчиками ИИ, рентгенологами и врачами для обеспечения успешной интеграции этих инструментов в повседневную практику.

Источник:  Radiology