NastępnyNastępny poradnik
Wykrywanie ubytków zębów za pomocą promieni rentgenowskich AI
Wizualna sztuczna inteligencja
PRZEWODNIK Wizualnej AI
Wykrywanie guzków płuc AI
Do wykrywania guzków płuc AI wykorzystuje komputerowe modele widzenia, głównie głębokie sieci neuronowe, do wyszukiwania, pomiaru i oceny małych plamek w płucach na tomografii komputerowej oraz do oszacowania prawdopodobieństwa, że każde miejsce ma charakter nowotworowy.
Na tej stronie4 minuty czytania
Przegląd
Ma to znaczenie, ponieważ badania przesiewowe CT przy użyciu niskich dawek zmniejszają liczbę zgonów z powodu raka płuc. Jednak każdy skan zawiera setki cienkich wycinków do odczytania, a większość guzków jest nieszkodliwa. Narzędzia, które niezawodnie wykrywają guzki i pomagają oddzielić ryzykowne od nieszkodliwych, wpływają zarówno na przeoczone nowotwory, jak i niepotrzebne procedury kontrolne.
Głębokie nurkowanie
Guzek płuca to zaokrąglona plamka w płucu o średnicy do około 3 cm. Wszystko, co jest większe, nazywa się zwykle masą. Guzki są bardzo częste i większość z nich to stare blizny, infekcje lub łagodne narośla. W tomografii komputerowej są one opisywane jako pełne, częściowo stałe lub ze szlifowanego szkła, a każdy typ niesie ze sobą inne ryzyko. Największą uwagę skupia na sobie sztuczna inteligencja. Wyniki amerykańskiego badania przesiewowego płuc przeprowadzonego w 2011 roku wykazały, że tomografia komputerowa o niskiej dawce zmniejsza liczbę zgonów z powodu raka płuc o około 20 procent w porównaniu z prześwietleniem klatki piersiowej. Europejskie badanie NELSON potwierdziło później korzyści. W 2021 r. amerykańska grupa zadaniowa ds. usług prewencyjnych zaleciła coroczne badania przesiewowe u dorosłych w wieku od 50 do 80 lat, którzy palili co najmniej 20 paczkolat, którzy nadal palą lub rzucili palenie w ciągu ostatnich 15 lat. System Lung-RADS opracowany przez American College of Radiology standaryzuje sposób raportowania i monitorowania badań przesiewowych. Guzki wykryte przypadkowo na skanach wykonanych z innych powodów zwykle leczy się zgodnie z wytycznymi Towarzystwa Fleischnera. Sztuczna inteligencja wykonuje trzy oddzielne zadania. Detekcja znajduje potencjalne guzki. Pomiar dzieli każdy guzek na segmenty, aby uzyskać jego rozmiar i objętość. Charakterystyka pozwala oszacować ryzyko zachorowania na raka. W badaniu Google 2019 w Nature Medicine trenowano model głębokiego uczenia się na skanach NLST. W testach retrospektywnych, bez wcześniejszego porównania, dorównał radiologom lub pokonał ich w przewidywaniu raka. Sybil, opracowany w MIT i Massachusetts General Hospital, szacuje ryzyko zachorowania na raka płuc u danej osoby w ciągu kolejnych lat na podstawie pojedynczej tomografii komputerowej z małą dawką, nawet jeśli nie widać podejrzanego guzka. Głównym kompromisem są fałszywe alarmy. W NLST mniej więcej jedna czwarta wyników badań przesiewowych dała wynik pozytywny, a zdecydowana większość z nich nie wskazywała na nowotwór. Bardziej czuły detektor oznacza więcej plam, co wydłuża czas czytania, dodatkowe badania, powoduje niepokój i czasami inwazyjne procedury. Powszechnym błędnym przekonaniem jest to, że sztuczna inteligencja diagnozuje raka płuc. Oznacza i szacuje ryzyko, a dopiero pobranie próbki tkanki potwierdza raka.
Wpływ strategiczny
Szybkość i skala
Wizualna sztuczna inteligencja może automatyzować zadania inspekcji, wykrywania i znakowania na dużą skalę.
Buduj wybory
Zespoły kreatywne mogą szybciej prototypować koncepcje przy mniejszej liczbie ręcznych poprawek.
Zespół i przepływ pracy
Operacje mogą wykorzystywać sygnały obrazu i wideo, które wcześniej były trudne do przetworzenia.
Przyszłość wykrywania guzków płuc AI
Naukowcy testują, w jaki sposób modele ryzyka, takie jak Sybil, mogą personalizować odstępy między badaniami przesiewowymi i czy sztuczna inteligencja może pomóc w rozwijaniu programów badań przesiewowych bez proporcjonalnego zwiększania obciążenia pracą radiologa. Przesiewowe tomografia komputerowa pokazuje również zwapnienie naczyń wieńcowych i rozedmę płuc, dlatego narzędzia zgłaszające te wyniki mogą stanowić wartość dodaną. W niektórych programach badane są grupy przesiewowe niespełniające kryteriów związanych z paleniem, np. osoby z wywiadem rodzinnym. Kluczowe otwarte pytania dotyczą potencjalnej skuteczności tych narzędzi w różnych populacjach i skanerach oraz tego, czy zmniejszają liczbę wyników fałszywie dodatnich, nie pomijając nowotworów. Dowody te wciąż się gromadzą.
Implementacja w świecie rzeczywistym
Program przesiewowy uruchamia oprogramowanie wykrywające w każdym tomografie komputerowym o niskiej dawce. Oznacza guzek wielkości 5 mm w prawym górnym płacie, umiejscowiony obok naczynia krwionośnego, gdzie łatwo go przeoczyć, co potwierdza radiolog.
Oprogramowanie do pomiaru objętości porównuje guzek stały o średnicy 7 mm ze skanem pacjenta sprzed roku i oblicza zmianę objętości. Pomaga to radiologowi w przypisaniu kategorii Lung-RADS i odstępie czasu między kontrolami.
Klinika zajmująca się guzkami płuc ocenia ryzyko nowotworu złośliwego w przypadku guzka o średnicy 12 mm, który pojawił się przypadkowo podczas awaryjnej tomografii komputerowej. Wynik pomaga w podjęciu decyzji pomiędzy PET-CT, biopsją lub powtórnym obrazowaniem.
System opieki zdrowotnej przeszukuje tomografię komputerową klatki piersiowej zleconą z innych powodów, takich jak uraz lub tomografia serca, i oznacza przypadkowe guzki, w przypadku których nigdy nie zalecono kontroli kontrolnej.
Zagrożenia i poręcze
Prawa do wizerunku i zgoda mogą stanowić ryzyko prawne, jeśli pochodzenie jest niejasne.
Wydajność modelu może się różnić w zależności od oświetlenia, demografii i środowiska.
Fałszywie pozytywne wyniki mogą pozostać niezauważone, chyba że monitorowane są progi ufności.
Plan wdrożenia
Zdefiniuj kryteria akceptacji dotyczące kosztów precyzji, wycofania i błędów.
Przetestuj na danych odpowiadających rzeczywistym warunkom produkcyjnym.
Dodaj weryfikację manualną, aby prognozy były mało pewne lub miały duży wpływ.
Śledź dryf modelu i przeprowadzaj ponowną weryfikację po zmianie kamery lub zbioru danych.
Odkrywaj dalej
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI Lung Nodule Detection quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Często zadawane pytania
Na czym polega wykrywanie guzków płuc AI?
Do wykrywania guzków płuc AI wykorzystuje komputerowe modele widzenia, głównie głębokie sieci neuronowe, do wyszukiwania, pomiaru i oceny małych plamek w płucach na tomografii komputerowej oraz do oszacowania prawdopodobieństwa, że każde miejsce ma charakter nowotworowy. Ma to znaczenie, ponieważ badania przesiewowe CT przy użyciu niskich dawek zmniejszają liczbę zgonów z powodu raka płuc. Jednak każdy skan zawiera setki cienkich wycinków do odczytania, a większość guzków jest nieszkodliwa. Narzędzia, które niezawodnie wykrywają guzki i pomagają oddzielić ryzykowne od nieszkodliwych, wpływają zarówno na przeoczone nowotwory, jak i niepotrzebne procedury kontrolne.
Z jaką alternatywą porównano niskodawkową tomografię komputerową w badaniu National Lung Screening Trial?
NLST porównało niskodawkową tomografię komputerową z prześwietleniem klatki piersiowej i stwierdziło około 20-procentowe zmniejszenie liczby zgonów z powodu raka płuc po zastosowaniu tomografii komputerowej.
Jaki przedział wiekowy określono w zaleceniu USPSTF z 2021 r. dotyczącym corocznych badań przesiewowych w kierunku raka płuc?
Zalecenie na rok 2021 obejmuje osoby dorosłe w wieku od 50 do 80 lat z historią co najmniej 20 paczkolat, które palą obecnie lub rzuciły palenie w ciągu ostatnich 15 lat.
Guzek o średnicy 9 mm pojawia się przypadkowo podczas tomografii komputerowej wykonanej z powodu bólu brzucha. Według przewodnika, jakie wytyczne zwykle regulują dalsze działania?
Lung-RADS obejmuje badania przesiewowe. Guzki wykryte przypadkowo na skanach wykonanych z innych powodów zwykle leczy się zgodnie z wytycznymi Towarzystwa Fleischnera.
Czym Sybil z MIT i Massachusetts General Hospital różni się od standardowego detektora guzków?
Sybil przewiduje ryzyko na kolejne lata na podstawie jednego badania, a nie tylko oznaczania obecnych guzków.
Dlaczego detektory guzków często ocenia się za pomocą krzywych FROC?
Analiza FROC pozwala na wykrycie kompromisu pomiędzy znalezieniem guzków a uzyskaniem fałszywych znaków na każdym skanie.
Ucz się dalej
Powiązane przewodniki
Wybrano więcej przewodników na ten temat