Kelių sekų magnetinio rezonanso tomografija (MRT) yra pažangus neinvazinis kelio patologijos diagnostikos metodas. Tačiau MRT interpretacija užima daug laiko ir labai priklauso nuo patirties.
Honkongo mokslo ir technologijų universiteto (HKUST) inžinerijos mokyklos tyrimų grupė pristatė naują gilaus mokymosi modelį, kuris gali padėti klasifikuoti 12 dažniausiai pasitaikančių kelio anomalijų tipų, didinant efektyvumą ir tikslumą.
Tyrimą bendradarbiavo HKUST išmanioji laboratorija Honkonge ir Pietų medicinos universiteto trečioji susijusi ligoninė Guangdžou mieste, Kinijoje. Jų naujovė neseniai buvo paskelbta m Gamtos komunikacijosStraipsnyje pavadinimu „Mokymasis bendros plokštumos dėmesio MRT sekose diagnozuojant dvylika tipų kelio sąnario anomalijų“.
Kelio sąnarys, kaip sudėtingas šarnyrinis sąnarys, yra vienas pagrindinių žmogaus kūno sąnarių, palaikančių įvairius kasdienės veiklos judesius. Įvairūs kelio anomalijos gali atsirasti dėl senėjimo ar sužalojimų, dėl kurių atsiranda skausmas ir disfunkcija. Todėl norint pritaikyti gydymo planus ir pagerinti pacientų gyvenimo kokybę, labai svarbu tiksliai diagnozuoti kelio anomalijas.
Dėl sudėtingos anatominės kelio sąnario struktūros skirtingi skenavimo parametrai dažnai duoda skirtingus rezultatus. Be to, nepakankamos patirties turintys radiologai gali lengvai nepastebėti kai kurių subtilių kelio sąnario pažeidimų.
Siekdama išspręsti šiuos iššūkius, tyrimų grupė, vadovaujama docento CHEN Hao iš HKUST Kompiuterių mokslo ir inžinerijos katedros bei Cheminės ir biologinės inžinerijos katedros, bendradarbiavo su penkiomis ligoninėmis ir surinko duomenis iš 1748 pacientų, įskaitant T1 svertinius (T1W). ), T2 svertinės (T2W) ir protonų tankio svertinės (PDW) MRT sekos iš sagitalinės, vainikinės, ir ašines plokštumas.
Sujungę artroskopijos duomenis, plačiai laikomus auksiniu standartu diagnozuojant kelio anomalijų patologiją, mokslininkai atliko išsamią analizę ir nustatė 12 dažniausiai pasitaikančių šių pacientų kelio anomalijų tipų.
Jie sukūrė gilaus mokymosi modelį, apimantį bendro plokštumos dėmesį visose MRT sekose (CoPAS), kad klasifikuotų anomalijas. Šis modelis efektyviai užfiksavo skirtingų nuskaitymo parametrų intensyvumo svyravimus ir nustatė sudėtingas koreliacijas su anomalijų tipais, atsiedamas erdvines ypatybes nuo kiekvienos MRT sekos, todėl buvo pasiektas didelis klasifikavimo tikslumas.
Palyginimui, jie taip pat atliko modeliuojamus klinikinius tyrimus, kurių metu radiologų iš pradžių buvo paprašyta pateikti atskiras diagnozes, pagrįstas MRT skenavimu. Pasibaigus išplovimo laikotarpiui, jų buvo paprašyta dar kartą diagnozuoti, šį kartą naudojant modelio išvestį kaip atskaitą.
Palyginusi rezultatus, komanda nustatė, kad modelis pasiekė vidutinį diagnostinį tikslumą, kuris pralenkė jaunesniuosius radiologus ir išliko konkurencingas su vyresniaisiais radiologais. Apskritai, padedant modeliui, visų radiologų tikslumas žymiai pagerėjo.
Tolesnė aiškinamumo analizė palygino klinikinę empirinę lentelę su modelio rezultatais. Nustatyta, kad modelio sprendimų priėmimo procesas nuosekliai atitiko klinikines nuostatas. Tai rodo, kad modelis sukūrė atitinkamų taisyklių rinkinį, panašią į tas, kurias naudoja radiologai, todėl klinikinio įgyvendinimo metu galima gauti patikimesnius rezultatus.
Prof. Chen padarė išvadą: „Šis novatoriškas CoPAS modelis rodo diagnostikos našumą, palyginamą su radiologų. Jis ypač naudingas mažinant atotrūkį tarp mažiau patyrusių ir vyresnių gydytojų.
„Mūsų išvados pabrėžia dirbtinio intelekto pažadą sveikatos priežiūros srityje, pabrėžiant jo galimybes nustatyti ir patvirtinti naujas klinikines įžvalgas.
Prof. Chen yra vienas iš atitinkamų šio straipsnio autorių kartu su prof. Zhao Yinghua iš Pietų medicinos universiteto trečiosios dukterinės ligoninės. Qiu Zelin, kompiuterių mokslų ir inžinerijos mokslų daktaras. HKUST studentas ir daktaras Xie Zhuoyao iš Pietų medicinos universiteto trečiosios dukterinės ligoninės yra pirmieji autoriai.