Opóźnienia lub błędy w diagnozowaniu odmy otrzewnowej, czyli obecności powietrza w jamie otrzewnej poza jelitami, mogą znacznie wpłynąć na przeżycie pacjenta oraz na skuteczność leczenia. U dorosłych większość przypadków odmy otrzewnowej wynika z perforacji narządów wewnętrznych, a aż 90% z tych przypadków wymaga interwencji chirurgicznej. Choć tomografia komputerowa (CT) jest preferowanym narzędziem diagnostycznym ze względu na swoją wysoką precyzję, w zatłoczonych oddziałach ratunkowych często dochodzi do opóźnień w interpretacji wyników. Dodatkowo, różnice w doświadczeniu między radiologami rezydentami a doświadczonymi radiologami mogą prowadzić do niepewności diagnostycznej i błędów. W tym kontekście sztuczna inteligencja (AI) wykazuje potencjał w zwiększaniu szybkości i dokładności analizy obrazów medycznych, jednak jej efektywność w wykrywaniu odmy otrzewnowej zależy od starannego doboru zestawów danych i ciągłego doskonalenia modeli.
Nowoczesne podejście z wykorzystaniem głębokiego uczenia
Naukowcy z Cedars-Sinai Medical Center oraz Far Eastern Memorial Hospital opracowali model oparty na głębokim uczeniu (deep learning), który potrafi wykrywać odme otrzewnową na obrazach tomografii komputerowej. Model został wytrenowany na danych z Far Eastern Memorial Hospital i zwalidowany na najnowszych skanach, osiągając wysoką czułość (0,81–0,83) oraz specyficzność (0,97–0,99) na różnych zestawach danych retrospektywnych, prospektywnych i zewnętrznych. Czułość wzrosła do 0,92–0,98 po wykluczeniu przypadków z minimalną ilością wolnego powietrza. Dodatkowo, badacze wprowadzili model PACT-3D, oparty na architekturze 3D UNet, który został zoptymalizowany pod kątem segmentacji odmy otrzewnowej. PACT-3D potrafi uchwycić szczegóły przestrzenne w wielu płaszczyznach, umożliwiając dokładne prognozy na poziomie pacjenta i precyzyjną segmentację na poziomie pojedynczych pikseli.
Przełomowe wyniki badań
Badanie było zgodne z wytycznymi STARD i zostało zatwierdzone przez komisje etyczne w Far Eastern Memorial Hospital (IRB 111086-F) oraz Cedars-Sinai Medical Center (IRB STUDY00003494). Co istotne, w fazie prospektywnej model nie wpływał na standardową opiekę nad pacjentami, a zebrane dane, w tym prognozy modelu, zostały wykorzystane później do analizy. Zbiór danych obejmował skany CT jamy brzusznej z kontrastem, zebrane między 2012 a 2021 rokiem. Każdy skan został dokładnie przeanalizowany w celu potwierdzenia obecności lub braku odmy otrzewnowej, a pozytywne przypadki zostały zweryfikowane przez dwóch radiologów. W celu oceny wydajności modelu w rzeczywistych warunkach, badanie prospektywne przeprowadzono od grudnia 2022 do maja 2023.
Proces akwizycji danych i architektura modelu
Dane do badań pozyskano z tomografii komputerowej wykonywanej w płaszczyźnie osiowej, przy grubości warstwy 5 mm i obejmującej jamę brzuszną. Metody przetwarzania języka naturalnego (NLP) zostały zastosowane do identyfikacji odpowiednich raportów, a zestawy testowe podzielono w stosunku 5:1:1, aby uniknąć dublowania danych. Manualne adnotacje odmy otrzewnowej zostały wykonane przez doświadczonych radiologów, a następnie przeprowadzono ich wtórną weryfikację. Model 3D UNet składał się ze ścieżki kontrakcyjnej (do zrozumienia kontekstu) oraz ekspandującej (do lokalizacji szczegółów). W celu rozwiązania problemu nierównowagi klas zastosowano augmentację danych oraz połączoną funkcję strat Dice i Focal. Trening modelu przeprowadzono na karcie graficznej Nvidia RTX A6000, a do optymalizacji użyto algorytmu Adam z adaptacyjnym harmonogramem uczenia.
Rezultaty i wnioski z badania
W ramach badania przeanalizowano 139,781 skanów CT jamy brzusznej, z czego w 973 przypadkach wykryto odme otrzewnową. Dane te podzielono na zestawy treningowe, walidacyjne oraz testowe w stosunku 5:1:1. Model został zwalidowany na zestawie prospektywnym obejmującym 6,351 skanów wykonanych między grudniem 2022 a majem 2023. Model 3D UNet osiągnął wynik F1 wynoszący 0,54 na zestawie symulacyjnym oraz 0,58 na zestawie prospektywnym, przy wysokiej czułości i specyficzności. W zewnętrznej walidacji w Cedars-Sinai Medical Center uzyskano wynik F1 wynoszący 0,80. Czułość wzrastała wraz ze zwiększającą się ilością wolnego powietrza, a pozytywne prognozy modelu korelowały z wyższym odsetkiem pilnych operacji.
Przyszłość diagnostyki z wykorzystaniem AI
Model PACT-3D, oparty na architekturze głębokiego uczenia, pokazuje, jak zaawansowane algorytmy sztucznej inteligencji mogą wspierać lekarzy w wykrywaniu odmy otrzewnowej na obrazach tomografii komputerowej. Pomimo zróżnicowania użytych skanerów oraz geograficznych różnic między zestawami danych, PACT-3D wykazał wysoką skuteczność, charakteryzując się dobrą czułością i specyficznością. Jego trójwymiarowa architektura pozwala lepiej rozróżniać powietrze od gazów jelitowych, co jest kluczowe w krytycznych przypadkach wymagających natychmiastowej interwencji. Chociaż model już teraz daje obiecujące wyniki, potrzebne są dalsze badania, aby zwiększyć jego czułość w wykrywaniu mniejszych ilości wolnego powietrza. W dłuższej perspektywie PACT-3D może znacząco poprawić efektywność diagnostyki w sytuacjach awaryjnych, co może przełożyć się na lepsze wyniki leczenia pacjentów.