L’IA élève les niveaux de compétences en interprétation des rayons X des non-radiologues
Selon une étude publiée le 24 octobre dans Rapports scientifiques.
Pris ensemble, les résultats suggèrent que le système d’IA – Chest-CAD d’Imagen Technologies – peut prendre en charge différentes spécialités médicales dans l’interprétation précise des radiographies pulmonaires, a noté Pamela Anderson, directrice des données et des informations chez Imagen et ses collègues.
« Médecins non radiologues [emergency medicine, family medicine, and internal medicine] sont souvent les premiers à évaluer les patients dans de nombreux contextes de soins et à interpréter régulièrement les radiographies pulmonaires lorsqu’un radiologue n’est pas facilement disponible », ont-ils écrit.
Chest-CAD est un algorithme d’apprentissage en profondeur approuvé par la Food and Drug Administration des États-Unis en 2021. Le logiciel identifie les régions d’intérêt (ROI) suspectes sur les radiographies pulmonaires et attribue chaque ROI à l’une des huit catégories cliniques conformément aux directives de reporting de le RSNA.
Pour que ces modèles d’IA autorisés soient les plus bénéfiques, ils devraient être capables de détecter de multiples anomalies, de se généraliser à de nouvelles populations de patients et de permettre une adoption clinique dans toutes les spécialités médicales, ont suggéré les auteurs.
À cette fin, les chercheurs ont d’abord évalué les performances autonomes de Chest-CAD sur un vaste ensemble de données organisées. Ensuite, ils ont évalué la généralisabilité du modèle sur des données distinctes accessibles au public, et ont finalement évalué l’exactitude des médecins radiologues et non radiologues sans l’aide et avec l’aide du système d’IA.
Les performances autonomes en matière d’identification des anomalies thoraciques ont été évaluées sur 20 000 radiographies thoraciques chez des adultes provenant de 12 centres de santé aux États-Unis, un ensemble de données indépendant de l’ensemble de données utilisé pour entraîner le système d’IA. Par rapport à un standard de référence défini par un panel de radiologues experts, le modèle a démontré une aire globale sous la courbe (AUC) élevée de 97,6 %, une sensibilité de 90,8 % et une spécificité de 88,7 %, selon les résultats.
(A) Radiographie thoracique sans l’aide du système AI. (B) La radiographie thoracique assistée par le système d’IA montre deux ROI pulmonaires (cases vertes) et une ROI médiastin/hila (case jaune). Le système d’IA a identifié des anomalies caractérisées comme des régions d’intérêt dans les poumons et le médiastin/Hila. Les anomalies étaient une fibrose pulmonaire bilatérale du lobe supérieur (catégorisée comme « Poumons ») et une hypertension artérielle pulmonaire ainsi qu’une rétraction hilaire bilatérale (catégorisée comme « Médiastin/Hila »). Les retours sur investissement de chaque catégorie sont illustrés dans différentes couleurs pour plus de lisibilité.Image disponible pour réédition sous licence Creative Commons (CC BY 4.0 DEED, Attribution 4.0 International) et avec l’aimable autorisation de Scientific Reports.
Ensuite, sur 1 000 cas provenant d’un ensemble de données de radiographies thoraciques accessible au public des National Institutes of Health appelé ChestX-ray8, le système d’IA a démontré une ASC globale élevée de 97,5 %, une sensibilité de 90,7 % et une spécificité de 88,7 % dans l’identification du thorax. anomalies.
Enfin, comme prévu, les radiologues étaient plus précis que les médecins non radiologues pour identifier les anomalies dans les radiographies pulmonaires sans l’aide du système d’IA, ont écrit les auteurs.
Cependant, les radiologues ont quand même montré une amélioration lorsqu’ils étaient assistés par le système d’IA avec une AUC sans aide de 86,5 % et une AUC avec aide de 90 %, selon les résultats. Les médecins de médecine interne ont montré la plus grande amélioration lorsqu’ils étaient assistés par le système d’IA avec une ASC sans aide de 80 % et une AUC avec aide de 89,5 %.
Bien qu’il y ait une différence significative dans les ASC entre les radiologues et les médecins non radiologues lorsqu’ils ne sont pas assistés (p
« Nous avons montré que la précision globale des médecins s’améliorait lorsqu’ils étaient aidés par le système d’IA, et que les médecins non radiologues étaient aussi précis que les radiologues dans l’évaluation des radiographies pulmonaires lorsqu’ils étaient aidés par le système d’IA », a écrit le groupe.
En fin de compte, en raison d’une pénurie de radiologues, en particulier dans les comtés ruraux des États-Unis, d’autres médecins sont de plus en plus chargés d’interpréter les radiographies pulmonaires, malgré le manque de formation, a noté l’équipe.
« Ici, nous apportons la preuve que le système d’IA aide les médecins non radiologues, ce qui peut conduire à un meilleur accès à une interprétation d’imagerie médicale de haute qualité », conclut-il.
L’étude complète est disponible ici.
