Как искусственный интеллект влияет на оценку поражения лёгких при COVID-19 по данным КТ грудной клетки?

Обложка

Цитировать

Полный текст

Аннотация

Обоснование. В период пандемии компьютерная томография (КТ) является одним из ключевых инструментов оценки изменений в лёгких, связанных с COVID-19. Рентгенологи Москвы используют адаптированную шкалу КТ 0–4 для визуальной оценки зависимости тяжести общего состояния от характера и выраженности рентгенологических признаков изменений в лёгких при COVID-19 по данным КТ. В большом потоке исследований врач может пропустить находку и ошибиться в оценке объёма поражения лёгких, поэтому применение сервисов искусственного интеллекта (ИИ) обосновано в амбулаторном здравоохранении в период пандемии.

Цель ― сравнить распределение категорий КТ 0–4 в заключениях, сформированных рентгенологами с использованием ИИ-сервисов и без них.

Материал и методы. Ретроспективное исследование, протокол исследования зарегистрирован в ClinicalTrials.gov (NCT04489992). Проанализированы результаты первичных КТ с категориями КТ 0–4 в период с 08.04.2020 по 01.12.2020 и отдельно за ноябрь 2020 года (с 01.11.2020 по 01.12.2020) в амбулаторных медицинских организациях Департамента здравоохранения. КТ проводились на 48 компьютерных томографах по стандартным протоколам, результаты обрабатывались через Единый радиологический информационный сервис. В тестовую группу включены КТ, обработанные ИИ-сервисами, в контрольную ― без обработки ИИ. В анализ включены 5 ИИ-сервисов: RADlogics COVID-19 (RADLogics, США); COVID-IRA (IRA labs, Россия); Care Mentor AI, COVID (CareMentor AI, Россия); Третье Мнение. КТ-COVID-19 (Третье мнение, Россия); COVID-MULTIVOX (Гаммамед, Россия). ИИ-сервисы кодированы случайным образом.

Результаты. Проанализированы результаты КТ 260 594 пациентов (соотношение мужчины/женщины ― 44/56%, средний возраст 49,5 года). В тестовую группу включены 115 618 КТ, в контрольную ― 144 976. В зависимости от конкретного ИИ-сервиса для разных подгрупп категорий КТ-0 выставлено от 2,3 до 18,5% меньше, категорий КТ 3–4 ― от 4,7 до 27,6% меньше, КТ-4 ― от 40 до 60% меньше, чем в контрольной группе (p <0,0001). За ноябрь (с 01.11.2020 по 01.12.2020) проанализированы результаты КТ 41 386 пациентов (соотношение мужчины/ женщины ― 44/56%, средний возраст 53,2 года). В тестовую группу включено 28 881 КТ, в контрольную ― 12 505. В зависимости от конкретного ИИ-сервиса для разных подгрупп категорий КТ-0, КТ 3–4 и КТ-4 выставлено соответственно от 1 до 2,6, от 0,2 до 15,7 и на 25% меньше, чем в контрольной группе (p=0,001).

Заключение. Применение ИИ-сервисов для первичных КТ в амбулаторных условиях приводит к уменьшению количества выставляемых категорий КТ-0 и КТ 3–4, способных влиять на тактику ведения пациентов с COVID-19.

Об авторах

Сергей Павлович Морозов

Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы

Email: morozov@npcmr.ru
ORCID iD: 0000-0001-6545-6170
SPIN-код: 8542-1720
Scopus Author ID: 57200964938
ResearcherId: T-9163-2017

д.м.н., профессор

Россия, Москва

Валерия Юрьевна Чернина

Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы

Email: v.chernina@npcmr.ru
ORCID iD: 0000-0002-0302-293X
SPIN-код: 8896-8051
Scopus Author ID: 57210638679
ResearcherId: AAF-1215-2020

MD

Россия, Москва

Анна Евгеньевна Андрейченко

Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы

Email: a.andreychenko@npcmr.ru
ORCID iD: 0000-0001-6359-0763
SPIN-код: 6625-4186
Scopus Author ID: 42960997200
ResearcherId: E-4930-2017

к.ф.-м.н.

Россия, Москва

Антон Вячеславович Владзимирский

Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы

Email: a.vladzimirsky@npcmr.ru
ORCID iD: 0000-0002-2990-7736
SPIN-код: 3602-7120
Scopus Author ID: 8944262100
ResearcherId: D-1447-2017

д.м.н.

Россия, Москва

Олеся Александровна Мокиенко

Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы

Email: Lesya.md@yandex.ru
ORCID iD: 0000-0002-7826-5135
SPIN-код: 8088-9921
Scopus Author ID: 55155448000
ResearcherId: J-3210-2016

к.м.н.

Россия, Москва

Виктор Александрович Гомболевский

Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы

Автор, ответственный за переписку.
Email: v.gombolevskiy@npcmr.ru
ORCID iD: 0000-0003-1816-1315
SPIN-код: 6810-3279
Scopus Author ID: 57196441765
ResearcherId: J-3389-2017
https://www.scopus.com/authid/detail.uri?authorId=57204359134

к.м.н., руководитель отдела научных медицинских исследований

Россия, Москва

Список литературы

  1. Эксперимент по использованию инновационных технологий в области компьютерного зрения для анализа медицинских изображений и дальнейшего применения в системе здравоохранения города Москвы [дата обращения: 04.02.2021]. Режим доступа: https://mosmed.ai. Дата обращения: 15.01.2021.
  2. Morozov S.P., Ledikhova N.V., Panina E.V., et al. Re: Controversy in coronaViral Imaging and Diagnostics (COVID) // Clin Radiol. 2020. Vol. 75, N 11. P. 871–872. doi: 10.1016/j.crad.2020.07.023
  3. Chang Y.C., Yu C.J., Chang S.C., et al. Pulmonary sequelae in convalescent patients after severe acute respiratory syndrome: evaluation with thin-section CT // Radiology. 2005. Vol. 236, N 3. P. 1067–1075. doi: 10.1148/radiol.2363040958
  4. Haseli S., Khalili N., Bakhshayeshkaram M., et al. Lobar distribution of COVID-19 pneumonia based on chest computed tomography findings. A retrospective study // Arch Acad Emerg Med. 2020. Vol. 8, N 1. P. 55.
  5. Inui S., Fujikawa A., Jitsu M., et al. Chest CT findings in cases from the cruise ship «Diamond Princess» with Coronavirus Disease 2019 (COVID-19) // Radiol Cardiothorac Imaging. 2020. Vol. 2, N 2. P. 200110. doi: 10.1148/ryct.2020200110
  6. Prokop M., van Everdingen W., van Rees Vellinga T., et al. CO-RADS: A Categorical CT assessment scheme for patients suspected of having COVID-19-definition and evaluation // Radiology. 2020. Vol. 296, N 2. P. 97–104. doi: 10.1148/radiol.2020201473
  7. Shen C., Yu N., Cai S., et al. Quantitative computed tomography analysis for stratifying the severity of Coronavirus Disease 2019 // J Pharm Anal. 2020. Vol. 10, N 2. P. 123–129. doi: 10.1016/j.jpha.2020.03.004
  8. Pan F., Ye T., Sun P., et al. Time course of lung changes at chest CT during Recovery from Coronavirus Disease 2019 (COVID-19) // Radiology. 2020. Vol. 295, N 3. P. 715–721. doi: 10.1148/radiol.2020200370
  9. Revel M.P., Parkar A.P., Prosch H., et al. COVID-19 patients and the radiology department – advice from the European Society of Radiology (ESR) and the European Society of Thoracic Imaging (ESTI) // Eur Radiol. 2020. Vol. 30, N 9. P. 4903–4909. doi: 10.1007/s00330-020-06865-y
  10. Морозов С.П., Проценко Д.Н., Сметанина С.В., и др. Лучевая диагностика коронавирусной болезни (COVID-19): организация, методология, интерпретация результатов: препринт № ЦДТ-2020-II. Версия 2 от 17.04.2020. Серия «Лучшие практики лучевой и инструментальной диагностики». Вып. 65. Москва: ГБУЗ «НПКЦ ДиТ ДЗМ», 2020. 78 с.
  11. Синицын В.Е., Тюрин И.Е., Митьков В.В. Временные методические рекомендации Российского общества рентгенологов и радиологов (РОРР) и Российской ассоциации специалистов ультразвуковой диагностики в медицине (РАСУДМ) «Методы лучевой диагностики пневмонии при новой коронавирусной инфекции при COVID-19» (версия 2) // Вестник рентгенологии и радиологии. 2020. Т. 101, № 2. С. 72–89. doi: 10.20862/0042-4676-2020-101-2-72-89
  12. Морозов С.П., Гомболевский В.А., Чернина В.Ю., и др. Прогнозирование летальных исходов при COVID-19 по данным компьютерной томографии органов грудной клетки // Туберкулез и болезни лёгких. 2020. Т. 98, № 6. С. 7–14. doi: 10.21292/2075-1230-2020-98-6-7-14
  13. Howard J. Cognitive errors and diagnostic mistakes. A case-based guide to critical thinking in medicine. New York: Springer; 2019.
  14. Морозов С.П., Владзимирский А.В., Кляшторный В.Г., и др. Клинические испытания программного обеспечения на основе интеллектуальных технологий (лучевая диагностика). Серия «Лучшие практики лучевой и инструментальной диагностики». Вып. 57. Москва: ГБУЗ «НПКЦ ДиТ ДЗМ», 2019. 51 с.
  15. Sahiner B., Pezeshk A., Hadjiiski L.M., et al. Deep learning in medical imaging and radiation therapy // Med Phys. 2019. Vol. 46, N 1. P. 1–36. doi: 10.1002/mp.13264
  16. Allen B.J., Seltzer S.E., Langlotz C.P., et al. A road map for translational research on artificial intelligence in medical imaging: from the 2018 national institutes of health/RSNA/ACR/The academy workshop // J Am Coll Radiol. 2019. Vol. 16, N 9. P. 1179–1189. doi: 10.1016/j.jacr.2019.04.014
  17. Angus D.C. Randomized clinical trials of artificial intelligence // Jama. 2020. Vol. 323, N 11. P. 1043–1045. doi: 10.1001/jama.2020.1039
  18. Wijnberge M., Geerts B.F., Hol L., et al. Effect of a machine learning-derived early warning system for intraoperative hypotension vs standard care on depth and duration of intraoperative hypotension during elective noncardiac surgery: the HYPE randomized clinical trial // Jama. 2020. Vol. 323, N 11. P. 1052–1060. doi: 10.1001/jama.2020.0592
  19. Carlile M., Hurt B., Hsiao A., et al. Deployment of artificial intelligence for radiographic diagnosis of COVID-19 pneumonia in the emergency department // J Am Coll Emerg Physicians Open. 2020. Vol. 1, N 6. P. 1459–1464. doi: 10.1002/emp2.12297
  20. Морозов С.П., Чернина В.Ю., Блохин И.А., Гомболевский В.А. Прогнозирование исходов при лабораторно верифицированном COVID-19 по данным компьютерной томографии органов грудной клетки: ретроспективный анализ 38051 пациента // Digital Diagnostics. 2020. Т. 1, № 1. C. 27–36. doi: 10.17816/DD46791

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Хронология использования ИИ-сервисов для диагностики COVID-19 по данным компьютерной томографии органов грудной клетки (КТ ОГК).

Скачать (177KB)
Метаданные
3. Рис. 2. Примеры оригинальных (контрольная группа) и дополнительных КТ-серий от различных ИИ-сервисов (тестовая группа с подгруппами) с демонстрацией автоматической обработки изображений для сегментации поражений лёгких при COVID-19, а также суммарной информацией о поражении лёгких и информацией DICOM SR.

Скачать (446KB)
Метаданные
4. Рис. 3. Результаты сравнения первичных КТ органов грудной клетки, выполненных в амбулаторных КТ-центрах, по степени тяжести категорий КТ 0–4 между контрольной группой и тестовыми подгруппами за весь период (08.04–01.12.2020). n=260 594; p <0,0001.

Скачать (305KB)
Метаданные
5. Рис. 4. Результаты сравнения первичных КТ органов грудной клетки, выполненных в амбулаторных КТ-центрах, по степени тяжести категорий КТ 0–4 между контрольной группой и тестовыми подгруппами за ноябрь 2020 г. n=41 386; p=0,0010.

Скачать (314KB)
Метаданные

© Морозов С.П., Чернина В.Ю., Андрейченко А.Е., Владзимирский А.В., Мокиенко О.А., Гомболевский В.А., 2021

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах