Sztuczna inteligencja skuteczniej niż radiolodzy wykrywa niewidoczne ciała obce w drogach oddechowych na tomografii komputerowej
Naukowcy z University of Southampton opracowali narzędzie oparte na sztucznej inteligencji, które wykrywa trudno zauważalne ciała obce w drogach oddechowych skuteczniej niż doświadczeni radiolodzy. Wyniki badania opublikowanego w npj Digital Medicine wskazują, że model AI przewyższa specjalistów w analizie tomografii komputerowej (TK) pod kątem zmian praktycznie niewidocznych w standardowych obrazach.
Ciała obce przypadkowo aspiracyjne mogą wywoływać kaszel, krztuszenie, duszność oraz groźne powikłania, jeśli nie zostaną szybko rozpoznane i usunięte. Dotyczy to zwłaszcza ciał obcych radioprzezroczystych (radiolucent), które nie są widoczne na RTG i bardzo słabo widoczne na TK. Aż do 75 procent przypadków aspiracji u dorosłych dotyczy właśnie materiału radioprzezroczystego – najczęściej resztek pokarmowych czy fragmentów skorupiaków i roślin.
Badaniem kierowali dr Yihua Wang, dr Zehor Belkhatir oraz prof. Rob Ewing z University of Southampton we współpracy z zespołem badaczy z Wuhan w Chinach. Jak podkreśla Zhe Chen, doktorant i współautor pracy, „te obiekty są niezwykle subtelne i łatwe do przeoczenia, nawet dla doświadczonych klinicystów”. Nowo opracowany model sztucznej inteligencji działa jak „druga para oczu”, zwiększając czułość diagnostyczną.
Aby zmierzyć się z tym klinicznym wyzwaniem, naukowcy stworzyli model głębokiego uczenia, który łączy zaawansowaną technikę precyzyjnego mapowania dróg oddechowych (MedpSeg) z siecią neuronową analizującą obrazy TK w poszukiwaniu ukrytych wskazówek świadczących o obecności ciał obcych. Model przetestowano na trzech niezależnych grupach pacjentów, obejmujących łącznie ponad 400 przypadków, we współpracy z kilkoma szpitalami w Chinach.
Następnie zestawiono skuteczność narzędzia ze skutecznością trzech ekspertów radiologii, z ponad dziesięcioletnim doświadczeniem każdy. Ich zadaniem była analiza 70 badań TK, z czego 14 przypadków miało potwierdzoną bronchoskopowo aspirację radioprzezroczystego ciała obcego.
Radiolodzy, choć osiągali 100 procent precyzji gdy już wykryli przypadek aspiracji, rozpoznali jedynie 36 procent wszystkich przypadków. Podkreśla to, jak trudne jest zauważenie takich patologii nawet dla ekspertów. Model AI, przy precyzji 77 procent (z pewną liczbą wyników fałszywie dodatnich), wykrył aż 71 procent przypadków, znacząco redukując ryzyko przeoczenia.
W ogólnym wskaźniku F1, łączącym czułość i precyzję, AI uzyskała wynik 74 procent wobec 53 procent u radiologów. Jak komentuje dr Yihua Wang, „wyniki pokazują realny potencjał zastosowań AI w medycynie, szczególnie w diagnostyce schorzeń trudnych do wychwycenia za pomocą standardowych metod obrazowania”.
Autorzy podkreślają, że system ma wspierać pracę klinicystów, a nie ich zastępować, dostarczając dodatkową warstwę weryfikacji w przypadkach złożonych lub niejednoznacznych. Zespół planuje teraz badania wieloośrodkowe z udziałem większych i bardziej zróżnicowanych populacji w celu dalszej poprawy modelu oraz ograniczenia ryzyka błędów i uprzedzeń.
Artykuł Automated Detection of Radiolucent Foreign Body Aspiration on Chest CT Using Deep Learning jest dostępny w nr npj Digital Medicine.
Źródło: npj Digital Medicine, Automated Detection of Radiolucent Foreign Body Aspiration on Chest CT Using Deep Learning
DOI: http://dx.doi.org/10.1038/s41746-025-02097-w
