Андропова Полина Леонидовна, аспирант
197376, Российская Федерация, Санкт-Петербург, ул. Академика Павлова, 9
Polina L. Andropova, Graduate Student
9, Academician Pavlova Str., St. Petersburg, 197376, Russian Federation
Гаврилов Павел Владимирович, канд. мед. наук, ведущий научный сотрудник, руководитель направления «лучевая диагностика»
191036, Российская Федерация, Санкт-Петербург, Лиговский пр., 2–4
Pavel V. Gavrilov, Cand. Sci. (Med.), Leading Research Scientist, Head of the Department of Radiology
2–4, Ligovsky prosp., St. Petersburg, 191036, Russian Federation
Колесникова Полина Алексеевна, аспирант
119334, Российская Федерация, Москва, ул. Косыгина, 4
Polina A. Kolesnikova, Graduate Student
4, Kosygina str., Moscow, 119334, Russian Federation
Кушнер Алексей Васильевич, руководитель продуктовой разработки по направлению «медицина»
127055, Российская Федерация, Москва, ул. Новолесная, 2, помещ. 1/3
Aleksey V. Kushner, Head of Product Development in the direction of “Medicine”
2, room 1/3, Novolesnaya str., Moscow, 127055, Russian Federation
Владзимирский Антон Вячеславович, д-р мед. наук, профессор, заместитель директора по научной работе
127051, Российская Федерация, Москва, ул. Петровка, 24, стр. 1
Anton V. Vladzimirskyy, Dr. Sci. (Med.), Professor, Deputy Director for Research
24, Petrovka str., Moscow, 127051, Russian Federation
Васильев Юрий Александрович, канд. мед. наук, директор
127051, Российская Федерация, Москва, ул. Петровка, 24, стр. 1
Yuri A. Vasiliev, Cand. Sci. (Med.), Head
24, Petrovka str., Moscow, 127051, Russian Federation
Трофимова Татьяна Николаевна, д-р мед. наук, профессор, чл.-корр. РАН, главный внештатный специалист по лучевой и инструментальной диагностике Северо-Западного федерального округа РФ и Комитета по здравоохранению Санкт-Петербурга; главный научный сотрудник, лаборатория нейровизуализации
197376, Российская Федерация, Санкт-Петербург, ул. Академика Павлова, 9
Tatyana N. Trofimova, Dr. Sci. (Med.), Professor, Corresponding Member of the Russian Academy of Sciences, Chief Freelance Specialist in Radiology and Instrumental Diagnostics, Northwestern Federal District of the Russian Federation and the Committee for Health; Chief Scientific Officer, Neuroimaging Laboratory
9, Academician Pavlova Str., St. Petersburg, 197376, Russian Federation
Актуальность. Диагностика ишемического инсульта, с учетом его эпидемиологии, имеет высокую значимость в современной медицинской практике. Одним из наиболее перспективных методов решения данной задачи является внедрение систем автоматического анализа (САА) в стандартный рабочий процесс в качестве вспомогательного инструмента интерпретации лучевых изображений.
Цель: сравнительная оценка эффективности отдельных САА КТ-изображений в выявлении ишемического инсульта в бассейне средней мозговой артерии (СМА).
Материал и методы. В исследование включено три анонимизированных (A, B, C) программных продукта на основе технологии искусственного интеллекта. Аналитическая валидация осуществлялась на базе, включающей 100 пациентов, поступивших в Елизаветинскую больницу Санкт-Петербурга с подозрением на ишемический инсульт в бассейне СМА, которым были выполнены нативные КТ-исследования головного мозга. Ишемический инсульт у половины пациентов был подтвержден на основе клинических данных и проведения КТ-ангиографии сосудов головного мозга и брахиоцефальных артерий, а также КТ-перфузии. Проводилась оценка показателей эффективности выявления комплекса признаков ранних ишемических изменений (посредством автоматической сегментации и ранжирования балла по шкале ASPECTS) в бассейне СМА (чувствительность, специфичность, отношение правдоподобия положительного результата, отношение правдоподобия отрицательного результата, точность). Также в статье приведен график, позволяющий оценить качество бинарной классификации, – характеристические кривые (ROC-кривые).
Результаты. По результатам исследования определено, что все рассмотренные программы не достигли пороговых значений точности (диапазон от 0,67 до 0,75), необходимой для программ, согласно клиническим рекомендациям (0,80). Алгоритмы показали вариативность показателей чувствительности и специфичности. Одна из САА (А) имела высокую чувствительность (0,88), но при этом низкую специфичность (0,46), что свидетельствует о ее переобучении и склонности к гипердиагностике. Остальные алгоритмы (B, C) показали низкую чувствительность (0,6; 0,55) и высокую специфичность (0,9; 0,8).
Заключение. Выявленная точность тестируемых САА КТ-изображений свидетельствует о необходимости их дальнейшей доработки. Возможность и варианты внедрения САА остаются дискуссионными и требуют дальнейшего изучения. Особое внимание следует уделить оценке их комплементарного использования врачами лучевыми диагностами.
Background. The diagnosis of ischemic stroke is of high importance in modern medical practice. One of the most promising methods for solving this problem is the introduction of machine learning algorithms into physicians’ work as an auxiliary tool for the interpretation of beam images.
Aim: To compare automated computed tomography (CT) image analysis systems in detecting middle cerebral artery stroke.
Material and Methods. The study included three anonymized (A, B, C) machine learning algorithms. Analytical validation was carried out on a database of one hundred patients admitted in St. Petersburg vascular center with suspected middle cerebral artery stroke, who underwent noncontrast head CTs. Ischemic stroke in half of the patients was confirmed on the basis of clinical examination findings and CT-angiography and CT-perfusion. The study evaluated the performance indicators (sensitivity, specificity, positive predictive value, negative predictive value, accuracy) for detecting a set of signs of early ischemic changes (by automatic segmentation and predicting a score on the ASPECTS scale). The article also provides a graph that allows you to evaluate the quality of a binary classification – characteristic curves (ROC-curves).
Results. The meta-analyses showed all the considered automated algorithms did not reach the threshold values of accuracy (range from 0.67 to 0.75) required for programs according to clinical guidelines (0.80). The algorithms showed variability in sensitivity and specificity. One of the automatic analysis systems (A) had a high sensitivity (0.88), but at the same time a low specificity (0.46), which indicates its overtraining and a tendency to overdiagnoses. The remaining algorithms (B, C) showed low sensitivity (0.6; 0.55) and high specificity (0.9; 0.8).
The authors declare that there are no conflicts of interest present.