Эта искусственно-интеллектная статья раскрывает X-Raydar революционную открытую нейронную сеть глубокого обучения для обнаружения аномалий на рентгенограммах грудной клетки.

Раскрыта революционная открытая нейронная сеть глубокого обучения X-Raydar для обнаружения аномалий на рентгенограммах грудной клетки

Исследователи из различных университетов Великобритании разработали открытую систему искусственного интеллекта (ИИ) под названием X-Raydar для всестороннего обнаружения аномалий на рентгеновских снимках грудной клетки. Обученная на наборе данных из шести британских больниц, система использует нейронные сети X-Raydar и X-Raydar-NLP для классификации общих находок на рентгеновских снимках и свободных текстовых отчетах. Набор данных, включающий 13 лет, включал в себя 2,513,546 исследований рентгеновских снимков грудной клетки и 1,940,508 свободных текстовых радиологических отчетов. Алгоритм для обработки естественного языка (Natural Language Processing, NLP) X-Raydar-NLP маркировал рентгеновские снимки, используя таксономию из 37 находок, извлеченных из отчетов. Алгоритмы ИИ были оценены на трех ретроспективных наборах данных, демонстрируя аналогичную производительность историческим клиническим радиологическим отчетам для различных клинически значимых находок.

X-Raydar достиг среднего значения AUC 0,919 в автоматическом наборе, 0,864 в наборе согласования и 0,842 на тесте MIMIC-CXR. В частности, X-Raydar превзошел исторических отчетчиков на 27 из 37 находок в наборе согласования, продемонстрировал неполноценность в девяти случаях и был менее эффективен в одной находке. В итоге было показано среднее улучшение в 13,3%. Производительность системы соответствовала обученным радиологам при обнаружении критических находок, включая пневмоторакс, паренхиматозные омрачения и массы или узлы в паренхиме.

Разработка включала радиологическую таксономию, охватывающую восемь анатомических областей и неанатомические структуры, что облегчает полную маркировку. Алгоритм обработки естественного языка (Natural Language Processing, NLP) X-Raydar-NLP обучался на 23 230 вручную размеченных отчетах для извлечения меток. X-Raydar, алгоритм компьютерного зрения, использовал InceptionV3 для извлечения признаков и достиг оптимальных результатов с помощью специальной функции потерь и коэффициентов веса классов.

Для тестирования был использован набор согласования из 1 427 рентгеновских снимков, размеченных опытными радиологами, автоматически размеченный набор (n=103,328) и независимый набор данных MIMIC-CXR (n=252,374). X-Raydar-NLP показал хорошую обнаружимость клинически значимых находок в свободных текстовых отчетах, средней чувствительностью 0,921 и специфичностью 0,994. Среднее значение AUC X-Raydar для всех находок в наборе согласования составило 0,864, что свидетельствует о высокой производительности при диагностике критических, срочных и несрочных находок.

Исследователями также были разработаны веб-инструменты, позволяющие общественности получить доступ к моделям ИИ для интерпретации рентгеновских снимков грудной клетки в реальном времени. Онлайн-портал X-Raydar позволяет пользователям загружать файлы DICOM для автоматической предварительной обработки и классификации. Кроме того, исследователи опубликовали свои обученные сетевые архитектуры на кодовых площадках, предоставив основу для дальнейших исследований и адаптации. Исследователи успешно разработали и оценили систему ИИ X-Raydar для всестороннего обнаружения аномалий на рентгеновских снимках грудной клетки. Система показала сравнимые результаты с отчетами исторических радиологов и свободно доступна научному сообществу, способствуя развитию применения ИИ в радиологии.