通过基于深度学习的描述器增强来提高ACR TI-RADS的效率

科学领域:

• 放射学和医学成像学 医学成像学
• 医疗保健中的人工智能
• 诊断决策支持诊断决策支持

背景情况:

• 甲状腺结节很常见,很少有恶性,但每年都会进行许多细针切除术 (FNA).
• 目前用于甲状腺结节的诊断方法在准确性和效率方面存在局限性.
• 人工智能 (AI) 具有改善临床途径诊断准确性和工作流程的潜力.

研究的目的:

• 评估基于人工智能的决策支持系统 (DSS) Koios DS 对医生诊断甲状腺结节的准确性,可变性和效率的影响.
• 为了比较医生在评估甲状腺结节恶性瘤风险时的AI辅助和无AI辅助的表现.
• 分析该系统与美国放射学学院甲状腺成像报告和数据系统 (ACR TI-RADS) 的结合.

主要方法:

• 在2020年8月至10月期间对650例患者病例 (甲状腺结节) 的回顾性分析.
• 15名医生评估了使用和不使用Koios DS决策支持系统的病例.
• 通过ROC曲线下面的面积 (AUC),灵敏度和特异性测量诊断准确度,FNA作为地面真相.
• 使用皮尔森相关系数评估的读者变异性,以及每个案例平均解释时间的效率.

主要成果:

• 人工智能辅助医生的表现显示,平均AUC (0.083),灵敏度 (8.4%) 和特异性 (14%) 的统计学上显著增加.
• 每个案例的平均口译时间在人工智能协助下减少了23.6%.
• 阅读器间的变异性显著减少,在使用DSS时,Pearson的相关系数从0.622增加到0.876.

结论:

• 人工智能驱动的决策支持系统,如Koios DS,显著提高了医生诊断甲状腺结节的准确性.
• 人工智能工具的整合导致读者之间的变化减少,解释效率提高.
• 自动化临床决策支持对甲状腺结节的诊断途径产生了实质性的积极影响.