Карцинома толстой кишки и острый дивертикулит имеют схожие особенности компьютерной томографии, которые могут затруднить дифференциальную диагностику для рентгенологов, но было показано, что новая модель искусственного интеллекта помогает повысить точность диагностики.
Новое исследование предполагает, что новая система искусственного интеллекта (ИИ) может помочь рентгенологам дифференцировать карциному толстой кишки (CC) и острый дивертикулит (AD) на изображениях компьютерной томографии (CT).
Пациенты с атопическим дерматитом испытывают значительное бремя болезни, что делает атопический дерматит частой причиной госпитализации, связанной с желудочно-кишечными проблемами. Стандартным методом визуализации для диагностики БА является компьютерная томография с типичными признаками, включая утолщение стенки кишечника, жировые тяжи, увеличение местных лимфатических узлов и наличие дивертикулов. Однако они не уникальны для AD. Дифференциация AD от CC особенно важна, потому что они управляются по-разному, но часто сложно из-за их сходных характеристик визуализации.
По данным авторов исследования, чувствительность и специфичность дифференцировки РХ оценивается в 40–95,5%, а дифференцировки БА — в 66–93,3%. Но в клинической практике верхние пределы рентгенологической чувствительности и специфичности часто не достигаются. Было показано, что системы искусственного интеллекта повышают точность диагностики рентгенологов в различных условиях визуализации, добавили они.
Новое исследование, опубликованное в JAMA Network Open, было направлено на разработку системы искусственного интеллекта, которая могла бы помочь радиологам точно диагностировать AD по сравнению с CC при обычном КТ. Особенно в условиях, когда может не быть опытного радиолога, например, в отделениях первичной неотложной помощи, точный инструмент поддержки ИИ может помочь повысить точность диагностики при БА и РШМ.
Всего в исследование было включено 585 пациентов, у всех из которых было гистопатологическое подтверждение состояния, установленное сертифицированным патологоанатомом после резекции кишечника. Из общей когорты у 318 пациентов был СС и у 267 — АД. В общей сложности у 130 пациентов была проведена внешняя визуализация, а у 445 — внутреннее сканирование.
Программа ИИ была разработана с тренировочным набором из 435 случаев, проверочным набором из 90 случаев и тестовым набором из 60 случаев. Случаи AD и CC были равномерно распределены в тестовой выборке. В общей сложности 10 читателей также проанализировали сканирование: 3 резидента-радиолога с опытом работы менее 3 лет, 4 резидента-радиолога со стажем более 3 лет и 3 сертифицированных радиолога. Два сертифицированных радиолога специализируются на визуализации желудочно-кишечного тракта.
Читателям показывали обезличенные сканы в случайном порядке без дополнительной клинической информации и просили классифицировать их как AD или CC без поддержки ИИ. Затем им сообщили прогноз алгоритма и дали возможность либо изменить, либо сохранить исходный ответ после получения поддержки ИИ. Им не сказали, какова чувствительность или специфичность модели, и они не получили отзывов о своих решениях.
Программа ИИ достигла чувствительности и специфичности 98% и 92% соответственно для обучающего набора при пороге принятия решения 0,5. В проверочном наборе он достиг чувствительности 94% и специфичности 94%. В модели тестового набора чувствительность и специфичность составляли 83,3% и 86,6% соответственно. Группа сертифицированных ридеров имела точность, аналогичную модели тестового набора, с чувствительностью 85,5% и специфичностью 86,6%. Средняя чувствительность ридера в целом составила 77,6%, а специфичность — 81,6%. С помощью поддержки ИИ средняя чувствительность и специфичность были выше на 85,6% и 91,3% соответственно.
Отрицательная прогностическая ценность (NPV) программы ИИ составила 83,8%, а положительная прогностическая ценность (PPV) — 86,2%. NPV читателей в целом составила 78,5%, а PPV читателей в целом составила 80,9%. Авторы отметили, что по сравнению с резидентами-радиологами у сертифицированных радиологов была на 11,3% более высокая чувствительность. Поддержка ИИ снизила количество ложноотрицательных и ложноположительных показаний по сравнению с чтением человеком без помощи, с NPV 86,4% и PPV 90,8%.
Улучшения были замечены на разных уровнях опыта: поддержка ИИ снизила частоту ложноотрицательных результатов с 22% до 14,3% в общей группе, с 26% до 16,1% для резидентов и с 14% до 10% для сертифицированных радиологов.
В то время как модель ИИ сама по себе работала так же, как и обычные люди, добавление ИИ к обычному чтению значительно улучшило производительность независимо от уровня опыта читателя. Учитывая важность дифференциации AD и CC, эти результаты показывают, что поддержка ИИ может быть полезна в клинических условиях. Необходимы более широкие исследования, моделирующие интеграцию в реальном мире и подтверждающие результаты на большей когорте, но исследование показывает потенциал поддержки ИИ в этих условиях.
