使用人工智能对胸部放射图进行分类,以减少放射科医生的工作量

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 门诊胸部放射图解解释为放射科医生带来了相当大的工作负载.
• 基于深度学习的检测 (DLD) 算法为优化解释效率提供了潜在的解决方案.

研究的目的:

• 评估基于DLD的分组是否可以减少门诊胸部X光片的解释工作量.
• 评估DLD是否保持非劣质灵敏度,并与传统解释相比提高特异性.

主要方法:

• 一项回顾性研究分析了自2017年6月以来的1964例门诊胸部X射线图.
• 通过使用DLD系统和不使用DLD系统来解释放射图,检测出9个常见发现.
• 一个50%的工作清单减少场景模拟了基于DLD的分类,优先考虑放射科医生审查的高概率考试.

主要成果:

• 50%的工作列表减少场景保持了非劣质灵敏度 (83.5%与82.6%,p=0.01).
• 以DLD为基础的分拣显著提高了特异性,从86.7%提高到90.4% (p<0.001).
• 探索性分析显示,即使工作量减少了70%,也保持了非较低的灵敏度.

结论:

• 基于DLD的分类大大降低了门诊胸部X射线影像的工作量,而不会影响灵敏度.
• 这种人工智能方法提高了特异性,为提高放射科医生的效率提供了有价值的工具.
• 在广泛的临床实施之前,需要进一步定义AI独立解释的法律责任.