ШІ допоміг знизити дозу КТ на 98% для діагностики пневмонії

Вчора,   14:36    5

Нове дослідження, опубліковане в журналі Radiology: Cardiothoracic Imaging, демонструє ефективність наднизькодозової комп’ютерної томографії (НДДКТ) з алгоритмом глибокого навчання для діагностики пневмонії у пацієнтів з ослабленим імунітетом при використанні лише 2% опромінення від стандартного сканування.

Деноізована УЗДКТ дозволила краще розгледіти центролобулярні вузлики з лінійним розгалуженням, і зображення було правильно класифіковано як позитивне на помутніння в зародку дерева. Фото: Radiological Society of North America (RSNA)

Проблема опромінення при діагностиці

Пацієнти з ослабленою імунною системою потребують особливої уваги. Легеневі інфекції можуть становити для них серйозну загрозу. Комп’ютерна томографія залишається золотим стандартом для діагностики пневмонії. Проте регулярні сканування піддають пацієнтів значному опроміненню.

“Для пацієнтів з ослабленою імунною системою легеневі інфекції можуть становити загрозу для життя”, – пояснює доктор Максиміліано Клуг, провідний автор дослідження. “Комп’ютерна томографія є золотим стандартом для виявлення пневмонії, але повторні сканування можуть піддавати пацієнтів значному опроміненню”.

Кумулятивне опромінення від частих КТ-сканувань викликає серйозне занепокоєння. Алгоритм глибокого навчання дозволив зменшити дозу опромінення до 2% від стандартної, зберігаючи діагностичну точність. Це відкриває нові горизонти для безпечної діагностики.

Методологія інноваційного дослідження

Дослідницька група з Ізраїлю провела ретельно спланований експеримент. З вересня 2020 по грудень 2022 року вони залучили 54 пацієнти з ослабленим імунітетом. Кожен пацієнт пройшов два КТ-сканування грудної клітки.

Перше сканування виконувалося зі звичайною дозою опромінення. Друге сканування проводилося з наднизькою дозою. До зображень НДДКТ потім застосовували алгоритм глибокого навчання для знешумлення.

Головною проблемою наднизькодозових КТ є “шум” – зерниста текстура, що погіршує якість зображення. Цей шум значно ускладнює діагностику. Саме тут на допомогу приходить алгоритм глибокого навчання, здатний відфільтрувати шум.

Вражаючі результати знешумлення

Радіологи оцінювали три типи зображень: КТ зі стандартною дозою, НДДКТ без обробки та знешумлені НДДКТ-зображення. Оцінювання проводилося “всліпу”, без доступу до клінічної інформації про пацієнтів.

Алгоритм глибокого навчання показав вражаючі результати. Він значно покращив якість та чіткість наднизькодозових зображень. Це дозволило суттєво зменшити кількість хибнопозитивних результатів.

Знешумлені НДДКТ-зображення дозволили точніше ідентифікувати патологічні зміни. Наприклад, деревоподібні помутніння, що є важливими діагностичними ознаками, стали чіткіше видимими. Ефективна доза опромінення становила лише 2% від стандартної.

Переваги для різних груп пацієнтів

Результати дослідження мають широке застосування. Крім пацієнтів з ослабленим імунітетом, ця технологія може принести користь молодим пацієнтам. Зменшення променевого навантаження особливо важливе для пацієнтів, які потребують частого моніторингу.

“Це пілотне дослідження виявило інфекцію за допомогою частки дози опромінення”, – зазначає доктор Клуг. Він додає, що цей підхід може змінити клінічні настанови. Знешумлена наднизькодозова КТ може стати новим стандартом для молодих пацієнтів та осіб з ослабленим імунітетом.

Дослідники планують провести масштабніші дослідження. Це допоможе підтвердити отримані результати.

“Цей підхід може стати поштовхом до проведення більших досліджень і, зрештою, змінити клінічні настанови”, – підкреслює доктор Клуг.

Майбутнє медичної візуалізації

Таке поєднання наднизькодозової КТ з алгоритмами штучного інтелекту відкриває нову еру в медичній візуалізації. Воно допомагає подолати компроміс між якістю зображення та безпекою пацієнта.

Технологія дозволяє радіологам правильно класифікувати патології навіть на зображеннях з мінімальним опроміненням. Наприклад, вона допомагає розрізнити вірусну інфекцію від нормальної картини легень, що було проблематично на необроблених НДДКТ-зображеннях.

Дослідження демонструє переваги співпраці між медициною та штучним інтелектом. Роль ШІ полягає не в заміні радіологів, а в посиленні їхніх діагностичних можливостей. Алгоритми глибокого навчання можуть стати невід’ємним інструментом у медичній візуалізації.

Це дослідження є важливим кроком до безпечнішої та точнішої діагностики. Воно прокладає шлях до персоналізованих підходів у медичній візуалізації з урахуванням потреб кожного пацієнта.


cikavosti.com