Согласно новому исследованию, опубликованному в журнале Radiology, исследователи тренируют модели искусственного интеллекта для выявления туберкулеза (ТБ) на рентгеновских снимках грудной клетки, что может помочь в усилиях по скринингу и оценке в районах с распространенным туберкулезом и ограниченным доступом к радиологам.
По данным Всемирной организации здравоохранения, туберкулез входит в десятку основных причин смерти во всем мире. В 2016 году около 10.4 миллиона человек заболели туберкулезом, в результате 1.8 миллионов смертей. Туберкулез может быть идентифицирован с помощью визуализации грудной клетки, однако в областях с распространенным туберкулезом, как правило, не хватает опыта интерпретации радиологии, необходимого для скрининга и диагностики заболевания.
"Искусственный интеллект вызывает огромный интерес как в медицине, так и за ее пределами," сказал соавтор исследования Парас Лахани, М.D., из Университетской больницы Томаса Джефферсона (TJUH) в Филадельфии. "Решение с искусственным интеллектом, которое могло бы интерпретировать рентгенограммы на наличие туберкулеза экономически эффективным способом, могло бы расширить возможности раннего выявления и лечения в развивающихся странах."
Глубокое обучение – это тип искусственного интеллекта, который позволяет компьютерам выполнять задачи на основе существующих взаимосвязей данных. Глубокая сверточная нейронная сеть (DCNN), смоделированная по структуре мозга, использует несколько скрытых слоев и шаблонов для классификации изображений.
Для исследования доктор. Лахани и его коллега Баскаран Сундарам, М.D., получили 1007 рентгеновских снимков больных с активным туберкулезом и без него. Случаи состояли из нескольких наборов данных рентгена грудной клетки от Национальных институтов здравоохранения, Белорусского туберкулезного портала и TJUH. Наборы данных были разделены на обучающие (68.0 процентов), проверка (17.1 процент), и тестовая (14.9 процентов).
Эти кейсы использовались для обучения двух разных моделей DCNN – AlexNet и GoogLeNet – которые учились на ТБ-положительных и ТБ-отрицательных рентгеновских лучах. Точность моделей была проверена на 150 случаях, которые были исключены из наборов данных для обучения и проверки.
Самая эффективная модель искусственного интеллекта была комбинацией AlexNet и GoogLeNet с чистой точностью 96 процентов.
"Относительно высокая точность моделей глубокого обучения впечатляет," Доктор. Лахани сказал. "Применимость к туберкулезу важна, потому что это состояние, для которого у нас есть варианты лечения. Это проблема, которую можно решить."
Две модели DCNN разошлись в 13 из 150 тестовых случаев. Для этих случаев исследователи оценили рабочий процесс, в котором опытный радиолог мог интерпретировать изображения, точно диагностируя 100% случаев. Этот рабочий процесс, в котором участвовал человек, имел большую чистую точность, близкую к 99 процентам.
"Применение глубокого обучения к медицинской визуализации – относительно новая область," Доктор. Лахани сказал. "В прошлом другие подходы к машинному обучению могли достичь определенного уровня точности около 80 процентов. Однако, как показало это исследование, при глубоком обучении есть потенциал для более точных решений."
Доктор. Лахани сказал, что команда планирует и дальше улучшать модели с помощью учебных кейсов и других методов глубокого обучения.
"Мы надеемся применить это в будущем в реальных условиях," он сказал. "Решение искусственного интеллекта с использованием визуализации грудной клетки может сыграть большую роль в борьбе с туберкулезом."