Диагностическая эффективность различных систем автоматического анализа рентгенограмм в выявлении периферических образований легких

Цель исследования — сравнительная оценка эффективности различных систем искусственного интеллекта для выявления очагов и округлых образований в легких. Для тестирования нами было выбрано четыре программных продукта на основе сверточных нейронных сетей, позиционирующих себя как системы автоматической оценки цифровых рентгенограмм легких. Для клинической оценки был использован метод аналитической валидации. Для тестирования было сформировано три выборки данных с различной распространенностью патологии (выборка 1–5150 рентгенограмм, распространенность патологических изменений 3 %; выборка 2–100 рентгенограмм, распространенность патологических изменений 6 %; выборка 3–300 рентгенограмм, распространенность патологических изменений 50 %). Ни один из программных продуктов не прошел порогового значения AUC 0,811 на всех трех выборках. Во всех трех выборках все программные продукты показали высокую специфичность и низкую чувствительность при выявлении округлых образований, что свидетельствует о редких случаях гипердиагностики и частых случаях гиподиагностики. Использование систем анализа цифровых рентгенологических изображений на основе технологии искусственного интеллекта является перспективным направлением повышения качества диагностики, в первую очередь при использовании их молодыми врачами-рентгенологами в качестве дополнительного второго мнения.

1. Васильев А. Ю., Малый А. Ю., Серова Н. С. Анализ данных лучевых методов исследования на основе принципов доказательной медицины: учебное пособие. М.: ГЭОТАР-Медиа, 2008. 32 с.

2. Гаврилов П. В., Ушков А. Д., Смольникова У. А. Выявление округлых образований в легких при цифровой рентгенографии: роль опыта работы врача-рентгенолога // Медицинский альянс. 2019. № 2. С. 51–56.

3. Гаврилов П. В., Смольникова У. А. Оценка диагностической точности системы автоматического анализа цифровых рентгенограмм легких при выявлении округлых образований // Альманах клинической медицины. 2021. Т. 49. № 6. С. 359–364.

4. Мелдо А. А., Уткин Л. В., Трофимова Т. Н. Искусственный интеллект в медицине: современное состояние и основные направления развития интеллектуальной диагностики // Лучевая диагностика и терапия. 2020. Т. 11. № 1. С. 9–17.

5. Морозов С. П., Владзимирский А. В., Ледихова Н. В., Соколина И. А., Кульберг Н. С., Гомболевский В. А. Оценка диагностической точности системы скрининга туберкулеза легких на основе искусственного интеллекта // Туберкулез и болезни легких. 2018. Т. 96. № 8. С. 42–49.

6. Морозов С. П., Владзимирский А. В., Кляшторный В. Г., Андрейченко А. Е., Кульберг Н. С., Гомболевский В. А. Клинические испытания программного обеспечения на основе интеллектуальных технологий (лучевая диагностика) // М. Сер. Лучшие практики лучевой и инструментальной диагностики. Вып. 23. 2019. 34 с.

7. Морозов С. П., Кокина Д. Ю., Павлов Н. А., Кирпичев Ю. С., Гомболевский В. А., Андрейченко А. Е. Клинические аспекты применения искусственного интеллекта для интерпретации рентгенограмм органов грудной клетки // Туберкулез и болезни легких. 2021. Т. 99. № 4. С. 58–64.

8. Lee J. H., Sun H. Y., Park S., Kim H., Hwang E. J., Goo J. M., Park C. M. Performan ce of a Deep Learning Algo rithm Compared with Radiologic Interpretation for Lung Cancer Detection on Chest Radiographs in a Health Scree ning Population. Radiol. 2020 Dec; 297(3): 687–696. doi: 10.1148/radiol.2020201240

9. Nakamura K. et al. Studies on the diagnostic value of 70 mm radiophotograms by mirror camera and the reading ability of physicians. Kekkaku. 1970. V. 45. No. 4. С. 121–128.