У багатьох країнах рентген грудної клітки досі роблять на плівці: знімок роздруковують, а цифрового файлу, який можна відправити до системи ШІ (штучний інтелект), може не бути. Через це сучасні програми комп’ютерної підтримки діагностики (CAD), які допомагають знаходити ознаки туберкульозу (ТБ) на рентгені, часто не можна використовувати там, де вони особливо потрібні – в умовах дефіциту радіологів та високої захворюваності на туберкульоз.
Нове дослідження оцінило наскільки ефективно штучний інтелект може виявляти туберкульоз за фотографіями рентгенівських знімків грудної клітки. Вчені перевірили, чи може CAD-система працювати з «аналоговими» рентгенівськими знімками, якщо їх просто сфотографувати на мобільний телефон (або цифрову камеру), а потім завантажити зображення в програму.
У пілотному дослідженні фахівці використали 498 знімків пацієнтів із медичних центрів Ефіопії та Гвінеї-Бісау, отриманих у період із січня 2017 року до березня 2018 року. Для кожної фотографії використовували мобільні телефони або цифрові камери, після чого завантажували зображення в модель ШІ qXR (Qure.ai). Підсумковий діагноз пацієнтів було встановлено на основі клінічних та лабораторних даних. Аналіз проводили порівняно з оцінками двох рентгенологів.
Результати показали, що модель ШІ визначила ТБ на 81 знімку, тоді як рентгенологи (рентгенолог А та В) визначили 50 та 99 випадків. У порівнянні з лабораторно підтвердженими діагнозами, модель ШІ показала:
- AUC* — 0,84,
- чутливість ** — 76,5%,
- специфічність*** — 85,9%.
Для рентгенолога А чутливість становила 64,7%, специфічність – 91,9%, для рентгенолога В – чутливість 76,5%, специфічність 82,3%.
Автори відзначають, що результати ШІ можна порівняти з роботою досвідчених рентгенологів при аналізі знімків, зроблених за допомогою мобільних пристроїв. Це може бути важливим кроком для розширення доступу до скринінгу ТБ у країнах з обмеженими ресурсами.
Загалом дослідження показує, що застосування ШІ та фотографій рентгенівських знімків може допомогти знизити діагностичні бар’єри в регіонах із нестачею фахівців та обладнання. Вчені наголошують на необхідності подальших досліджень для підтвердження результатів та оцінки застосування технології в реальній клінічній практиці.
*AUC – Це метрика для оцінки якості роботи моделі, яка поділяє об’єкти на дві групи, наприклад, наявність чи відсутність захворювання.
Значення AUC:
0,5 — поганий результат,
0,7–0,8 — середній результат,
0,8–0,9 — хороший результат,
0,9–1 — ідеальний результат.
** Показує, як добре модель/лікар визначає наявність захворювання.
*** Показує, наскільки точно модель/лікар визначає, що людина не має захворювання.
Джерело: https://www.mcpdigitalhealth.org/article/S2949-7612(26)00004-0/fulltext