Kvak, D., Chromcová, A., Hrubý, R., Janů, E., Biroš, M., Pajdaković, M., ... & Strukov, S. (2023). Leveraging Deep Learning Decision-Support System in Specialized Oncology Center: A Multi-Reader Retrospective Study on Detection of Pulmonary Lesions in Chest X-ray Images. Diagnostics, 13(6), 1043.
Abstrakt:
Rentgenový snímek hrudníku (CXR) je považován za nejpoužívanější metodu pro detekci a sledování různých nálezů v hrudníku, včetně karcinomů plic a dalších plicních lézí. Rentgenové snímky však vykazují určité limitace při detekci primárních a sekundárních nádorů a jsou náchylné k chybám při čtení v důsledku omezeného rozlišení a neshody mezi radiology. K řešení těchto problémů jsme vyvinuli algoritmus automatické detekce založený na hlubokém učení (DLAD), který automaticky detekuje a lokalizuje podezřelé léze na RTG snímcích hrudníku (CXR). Pět radiologů bylo vyzváno, aby retrospektivně vyhodnotili 300 snímků CXR ze specializovaného onkologického centra, a výkony jednotlivých radiologů byly následně porovnány s výkony DLAD. Navrhovaný DLAD dosáhl významně vyšší senzitivity (0,910 (0,854-0,966)) než všichni srovnávaní radiologové (RAD 1 0,290 (0,201-0,379), p<0.001, RAD 2 0,450 (0,352-0,548), p<0,001, RAD 3 0,670 (0,578-0,762), p<0,001, RAD 4 0,810 (0,733-0,887), p=0,025, RAD 5 0,700 (0,610-0,790), p<0,001). Specificita DLAD (0,775 (0,717-0,833)) byla významně nižší než u všech srovnávaných radiologů (RAD 1 1,000 (0,984-1,000), p<0,001, RAD 2 0. 970 (0,946-1,000), p<0,001, RAD 3 0,980 (0,961-1,000), p<0,001, RAD 4 0,975 (0,953-0,997), p<0,001, RAD 5 0,995 (0,985-1,000), p<0,001). Výsledky studie prokázaly, že navrhovaný DLAD lze využít jako systém pro podporu rozhodování ke snížení míry falešně negativních výsledků radiologů.
