The Lancet Regional Health – Güneydoğu Asya dergisinde yayınlanan bir araştırmaya göre, yapay zeka (AI) tabanlı bir yaklaşım, Chandigarh’daki bir hastanede safra kesesi kanserini tespit etmede deneyimli radyologlarla karşılaştırılabilir bir teşhis performansı gösterdi.
Safra kesesi kanseri (GBC), tespit edilmesi zayıf ve ölüm oranı yüksek olan oldukça agresif bir malignitedir. Araştırmacılar, iyi huylu safra kesesi lezyonlarının benzer görüntüleme özelliklerine sahip olabilmesi nedeniyle erken teşhisin zor olduğunu söyledi.
Chandigarh’daki Lisansüstü Tıp Eğitimi ve Araştırma Enstitüsü’ndeki (PGIMER) ve Yeni Delhi’deki Hindistan Teknoloji Enstitüsü’ndeki (IIT) ekip, abdominal ultrason kullanarak GBC tespiti için bir derin öğrenme (DL) modeli geliştirmeyi ve doğrulamayı ve performansını karşılaştırmayı amaçladı. radyologlar.
Derin öğrenme, bilgisayarlara verileri insan beyninden esinlenerek işlemeyi öğreten bir yapay zeka yöntemidir.
Çalışmada, üçüncü basamak bir bakım hastanesi olan PGIMER’de Ağustos 2019 ile Haziran 2021 arasında safra kesesi lezyonu olan hastalardan alınan abdominal ultrason verileri kullanıldı.
Derin öğrenme (DL) modeli 233 hastadan oluşan bir veri kümesi üzerinde eğitildi, 59 hasta üzerinde doğrulandı ve 273 hasta üzerinde test edildi.
DL modelinin performansı, duyarlılık, özgüllük ve teşhis testlerinin doğruluğunu ölçmek için yaygın olarak kullanılan alıcı çalışma karakteristik eğrisinin (AUC) altındaki alan açısından değerlendirildi.
İki radyolog da ultrason görüntülerini bağımsız olarak inceledi ve tanısal performansları DL modeliyle karşılaştırıldı.
Çalışmaya göre, test setinde DL modelinin GBC’yi saptamak için yüzde 92,3 duyarlılığı, yüzde 74,4 özgüllüğü ve 0,887 AUC değeri vardı; bu da her iki radyologla karşılaştırılabilir düzeydeydi.
Araştırmacılar, DL tabanlı yaklaşımın, taşların, daralmış safra keselerinin, küçük lezyon boyutunun (10 mm’den az) ve boyun lezyonlarının varlığında GBC’yi saptamak için yüksek hassasiyet ve AUC gösterdiğini ve bunların da radyologlarla karşılaştırılabilir olduğunu söyledi.
DL modelinin, spesifikliği daha düşük olmasına rağmen, radyologlardan birine kıyasla GBC’nin duvar kalınlaşması tipini tespit etmede daha yüksek hassasiyet sergilediğini söylediler.
Çalışmanın yazarları, “DL tabanlı yaklaşımın, ultrason kullanarak GBC’yi tespit etmede deneyimli radyologlarla karşılaştırılabilir tanısal performans gösterdiğini” belirtti.
“DL tabanlı GBC tanısının potansiyelini tam olarak araştırmak için daha fazla çok merkezli çalışmanın yapılması tavsiye edilir” diye eklediler.
Yazarlar çalışmanın bazı sınırlamalarını kabul ettiler. Bulgular tek merkezli bir veri setine dayanmaktadır ve daha geniş doğrulama için çok merkezli çalışmalara ihtiyaç vardır.
Çalışmanın 2021’de bir bilgi son tarihi olduğunu ve DL ve GBC tanısındaki sonraki gelişmelerin yansıtılmayabileceğini eklediler.
