AI สามารถช่วยในการตรวจเอกซเรย์ทรวงอกที่ผิดปกติได้

AI สามารถช่วยในการตรวจเอกซเรย์ทรวงอกที่ผิดปกติได้

นักวิจัยนำโดยGiovanni Montanaจาก University of Warwick ใน Coventry ใช้ภาพเอ็กซ์เรย์ทรวงอกสำหรับผู้ใหญ่มากกว่า 470,000 ภาพเพื่อฝึกระบบ AI ที่สามารถระบุภาพเอ็กซ์เรย์ทรวงอกปกติด้วยค่าการทำนายเชิงบวก 73% และค่าการทำนายเชิงลบ 99% ในการจำลองเปรียบเทียบกับข้อมูลในอดีต ระบบ AI จะลดความล่าช้าในการรายงานโดยเฉลี่ยสำหรับการสอบที่มีข้อค้นพบที่สำคัญ

หรือเร่งด่วนลงอย่างมาก“ผลการวิจัยนี้

แสดงให้เห็นว่ารูปแบบการดูแลทางเลือก เช่น อัลกอริธึมการมองเห็นด้วยคอมพิวเตอร์ สามารถใช้เพื่อลดความล่าช้าอย่างมากในกระบวนการระบุและดำเนินการกับรังสีเอกซ์ที่ผิดปกติ โดยเฉพาะอย่างยิ่งสำหรับการถ่ายภาพรังสีทรวงอก ซึ่งคิดเป็น 40% ของ ภาพวินิจฉัยทั้งหมดดำเนินการทั่วโลก” มอนทาน่ากล่าวในแถลงการณ์จากมหาวิทยาลัยวอร์วิก “การประยุกต์ใช้เทคโนโลยีเหล่านี้ยังขยายไปสู่รูปแบบการถ่ายภาพอื่น ๆ อีกมากมายรวมทั้ง MRI และ CT”

ความต้องการทางคลินิกที่เพิ่มขึ้นแผนกรังสีวิทยาทั่วโลกกำลังเผชิญกับความต้องการทางคลินิกที่เพิ่มขึ้นซึ่งท้าทายรูปแบบการให้บริการในปัจจุบัน และการรายงานภาพที่นำโดย AI อาจเป็นเครื่องมือที่มีค่าสำหรับการปรับปรุงเวิร์กโฟลว์ของแผนกรังสีวิทยาและประสิทธิภาพของพนักงาน

“เป็นไปไม่ได้อีกต่อไปสำหรับแผนกรังสีวิทยาหลายแห่งที่มีระดับกำลังคนในปัจจุบันในการรายงานภาพรังสีธรรมดาที่ได้มาทั้งหมดอย่างทันท่วงที ซึ่งนำไปสู่งานในมือจำนวนมากของการศึกษาที่ไม่ได้รายงาน” มอนแทนากล่าว “ในสหราชอาณาจักร คาดว่าเมื่อใดก็ตามจะมีภาพเอ็กซ์เรย์กว่า 300,000 ภาพรอการรายงานเป็นเวลากว่า 30 วัน”

นักวิจัยตั้งสมมติฐานว่าระบบที่ใช้ AI สามารถระบุการค้นพบที่สำคัญเกี่ยวกับการถ่ายภาพรังสีทรวงอกและจัดลำดับความสำคัญของการศึกษาที่ผิดปกติสำหรับการรายงานแบบเรียลไทม์ พวกเขาเริ่มพัฒนาและทดสอบระบบโดยอาศัยเครือข่ายประสาทเทียมเชิงลึกสองเครือข่าย (CNNs) สำหรับการคัดแยกภาพรังสีทรวงอกผู้ใหญ่แบบเรียลไทม์โดยอัตโนมัติโดยพิจารณาจากคุณสมบัติที่อาจบ่งชี้ว่าเป็นเรื่องเร่งด่วน

ได้รวบรวมภาพเอ็กซ์เรย์ทรวงอกสำหรับผู้ใหญ่

ติดต่อกัน 470,388 ภาพในช่วงปี 2550-2560 ที่โรงพยาบาล Guy’s และ St. Thomas ในลอนดอน พวกเขาแบ่งการศึกษา 413,403 เรื่องที่ดำเนินการก่อนวันที่ 1 เมษายน 2016 ออกเป็นการฝึกอบรม (79.7% ของการศึกษา) การทดสอบ (10% ของการศึกษา) และการตรวจสอบภายใน (10.2% ของการศึกษา) ชุดข้อมูล ข้อสอบที่เหลือที่สร้างขึ้นหลังวันที่ 1 เมษายน 2559 ถูกนำมาใช้ในภายหลังในการศึกษาจำลองเพื่อประเมินประสิทธิภาพของระบบการเรียนรู้เชิงลึกในการจัดลำดับความสำคัญของการศึกษา

จากนั้นนักวิจัยได้พัฒนาระบบประมวลผลภาษาธรรมชาติ (NLP) เพื่อประมวลผลรายงานรังสีวิทยาแต่ละฉบับที่รวมอยู่ในชุดฝึกอบรมและดึงฉลากออกจากข้อความที่เขียนซึ่งระบุความผิดปกติเฉพาะที่มองเห็นได้บนภาพ นักวิจัยกล่าวว่าการอนุมานโครงสร้างของประโยคที่เขียนแต่ละประโยคนั้นทำให้ระบบ NLP สามารถระบุการมีอยู่ของข้อค้นพบทางคลินิก ตำแหน่งของร่างกาย และความสัมพันธ์ของพวกเขาได้

“การพัฒนาระบบ NLP สำหรับการติดฉลากเอ็กซ์เรย์ทรวงอกตามขนาดเป็นก้าวสำคัญในการศึกษาของเรา” มอนทาน่ากล่าวในแถลงการณ์จาก RSNAจากการวิเคราะห์รายงาน ระบบ NLP สามารถจัดลำดับความสำคัญของภาพแต่ละภาพว่ามีความสำคัญ เร่งด่วน ไม่เร่งด่วน หรือปกติ การใช้ฉลากภาพเหล่านี้ ซีเอ็นเอ็นได้รับการฝึกอบรมให้คาดการณ์ลำดับความสำคัญทางคลินิกของภาพเอ็กซ์เรย์โดยพิจารณาจากลักษณะที่ปรากฏเท่านั้น การคาดคะเนนั้นหาค่าเฉลี่ยจากซีเอ็นเอ็นสองแห่งที่แตกต่างกัน ซึ่งดำเนินการด้วยความละเอียดเชิงพื้นที่สองแบบที่แตกต่างกัน เพื่อให้ได้มาซึ่งการทำนายขั้นสุดท้ายสำหรับระบบ

ในการทดสอบ ระบบสามารถแยกภาพรังสีปกติออกจากภาพเอ็กซ์เรย์ที่ผิดปกติด้วยความไว 71%, ความจำเพาะ 95%, ค่าพยากรณ์ผลบวก 73% และค่าทำนายผลเชิงลบ 99% ในแง่ของการกำหนดระดับความสำคัญ ระบบ AI บรรลุความไว 65%, ความจำเพาะ 94%, ค่าการทำนายในเชิงบวก 61% และค่าการทำนายเชิงลบ 99% สำหรับการระบุการศึกษาที่สำคัญ

การจัดลำดับความสำคัญที่ถูกต้องและไม่ถูกต้อง

ตัวอย่างภาพรังสีที่ระบบ AI จัดลำดับความสำคัญอย่างถูกต้องและไม่ถูกต้อง ตอบ: มีรายงานการถ่ายภาพรังสีว่าแสดงเยื่อหุ้มปอดด้านขวาขนาดใหญ่ (ลูกศร) สิ่งนี้ถูกจัดลำดับความสำคัญอย่างถูกต้องว่าเร่งด่วน B: มีรายงานการถ่ายภาพรังสีว่า “ความชัดเจนที่ปลายด้านซ้ายที่น่าสงสัยสำหรับ pneumothorax” สิ่งนี้ถูกจัดลำดับความสำคัญอย่างถูกต้องตามปกติ C: มีรายงานการถ่ายภาพรังสีว่าแสดงการรวมตัวที่คาดการณ์ไว้ด้านหลังหัวใจจากนั้นนักวิจัยได้ประเมินประสิทธิภาพของระบบในการจัดลำดับความสำคัญของภาพรังสีในการจำลองด้วยคอมพิวเตอร์ที่เกี่ยวข้องกับชุดภาพที่เป็นอิสระจำนวน 15,887 ภาพ พวกเขาจำลองระบบการจัดลำดับความสำคัญของการถ่ายภาพรังสีอัตโนมัติ ซึ่งการศึกษาที่ผิดปกติซึ่งกำหนดโดยระบบ AI ว่ามีความสำคัญหรือเร่งด่วน อาจถูกจัดลำดับให้สูงขึ้นโดยอัตโนมัติในคิวโดยพิจารณาจากระดับความเร่งด่วนที่คาดการณ์ไว้และเวลารอของภาพรังสีอื่นๆ ที่อยู่ในคิวอยู่แล้ว

ระบบคัดแยก AI จะนำไปสู่การลดลงอย่างมากในการรายงานความล่าช้าของการศึกษาที่สำคัญและเร่งด่วน เมื่อเทียบกับเมื่อการศึกษาได้รับการตีความจริง Montana และเพื่อนร่วมงานพบว่าเวลารายงานการถ่ายภาพรังสีผลกระทบของอัลกอริธึม Triage AI ต่อเวลาการรายงานด้วยการถ่ายภาพรังสี“ผลลัพธ์เบื้องต้นที่รายงานที่นี่เป็นเรื่องที่น่าตื่นเต้น เนื่องจากแสดงให้เห็นว่าระบบ AI สามารถฝึกฝนได้สำเร็จโดยใช้ฐานข้อมูลขนาดใหญ่มากของข้อมูลทางรังสีวิทยาที่ได้รับเป็นประจำ” 

มอนทานากล่าว “ด้วยการตรวจสอบทางคลินิกเพิ่มเติม เทคโนโลยีนี้คาดว่าจะลดภาระงานของนักรังสีวิทยาลงได้อย่างมาก โดยการตรวจจับการตรวจปกติทั้งหมด เพื่อให้สามารถใช้เวลามากขึ้นกับผู้ที่ต้องการความสนใจมากขึ้น”วิกกี้ โกห์ ผู้ร่วมวิจัย ผู้อำนวย การด้านการถ่ายภาพมะเร็งทางคลินิกของคิงส์ คอลเลจ ลอนดอนกล่าวว่า การใช้ AI ในการตรวจเอกซเรย์ทรวงอกอย่างแม่นยำ และเพิ่มความเร็วในการวินิจฉัยและรักษาผู้ป่วยโรคร้ายแรง จะเป็น “ตัวเปลี่ยนเกมอย่างแท้จริง” ทั่วโลกนักรังสีวิทยาที่ปรึกษาที่ Guy’s and St Thomas ‘NHS Foundation Trust

งานในอนาคตนักวิจัยหวังว่าจะขยายโครงการของพวกเขาให้มีขนาดกลุ่มตัวอย่างที่ใหญ่ขึ้นมาก เช่นเดียวกับการใช้อัลกอริธึมที่ซับซ้อนมากขึ้นเพื่อให้ได้ประสิทธิภาพที่ดีขึ้น พวกเขายังต้องการประเมินประสิทธิภาพการไตร่ตรองของซอฟต์แวร์ในการศึกษาแบบหลายศูนย์ในอนาคต“เหตุการณ์สำคัญสำหรับการวิจัยครั้งนี้จะประกอบด้วยการสร้างประโยคอัตโนมัติที่อธิบายความผิดปกติทางรังสีที่เห็นในภาพ” มอนทานากล่าว “สิ่งนี้ดูเหมือนเป็นเป้าหมายที่ทำได้เมื่อใช้เทคโนโลยี AI ในปัจจุบัน”

ข้อมูลน้ำท่วมแม้แต่การตั้งค่าเกณฑ์ที่ค่อนข้างสูงสำหรับสิ่งที่ก่อให้เกิดความสัมพันธ์ การค้นหาชุดข้อมูลขนาดใหญ่ดังกล่าวก็ให้ผลบวกที่ผิดพลาดมากพอที่จะกลบสัญญาณ การเพิ่มเกณฑ์ให้มากขึ้นไม่เป็นประโยชน์ เนื่องจากเป็นการลบความสัมพันธ์ที่แท้จริง ในทางกลับกัน นักวิจัยสันนิษฐานว่าการเชื่อมต่อทางไกลที่แท้จริงมีความสอดคล้องกันในเชิงภูมิศาสตร์: เหตุการณ์ในภูมิภาคหนึ่งมักจะเชื่อมโยงกับเหตุการณ์ในอีกภูมิภาคหนึ่ง ในขณะที่ความสัมพันธ์โดยบังเอิญที่ประกอบขึ้นเป็นเสียงนั้นไม่มีโครงสร้างดังกล่าว เมื่อข้อมูลถูกกรองสำหรับเอฟเฟกต์นี้ รูปแบบเชิงพื้นที่ที่ชัดเจนก็ปรากฏขึ้น

Credit : เกมส์ออนไลน์แนะนำ >>>สล็อตแตกง่าย