Dirbtinio intelekto pritaikymas ūminio insulto vaizdinių tyrimų diagnostikoje. Sisteminė literatūros apžvalga
Machine learning in acute stroke neuroimaging. A systematic literature review
Matuliauskas D., Stražnickaitė I., Samuilis A., Jatužis D.
Neurologijos seminarai 2022; 26(92): 41-49.
Santrauka
Įvadas. Dirbtinis intelektas (DI) yra sparčiai besivystanti technologija, kuri gali atnešti daug teigiamų pokyčių galvos smegenų insulto diagnostikoje. Tyrimo tikslas – apžvelgti publikacijas, kuriose DI gebėjimas diagnozuoti ūminį insultą iš radiologinių vaizdų ir gebėjimas segmentuoti insulto radiologinius požymius yra lyginamas su žmonėmis vertintojais arba apžvelgiamas be jų. Apžvelgiami naudoti modeliai, studijų dizainas ir taikomi statistikos metodai.
Tiriamieji ir tyrimo metodai. Sisteminė apžvalga buvo atlikta naudojant „Pubmed“ duomenų bazę, į apžvalgą įtraukiant publikacijas nuo 2015 m. sausio 1 d. iki 2021 m. liepos 23 d. Iš viso buvo aptiktos 438 publikacijos, iš kurių apžvalgai atrinkta 60.
Rezultatai. Tik 2 studijos iš 60 (3,3 %) buvo perspektyvinės. Mažiausias unikalių kompiuterinės tomografijos vaizdų skaičius, naudotas DI sistemos validacijai, buvo 10, didžiausias – 21 586, vidurkis – 599, mediana – 100, standartinis nuokrypis – ±2801,1. Mažiausias duomenų kiekis, naudotas neuroninių tinklų mokymui, buvo 28 studijos, didžiausias – 24 214, vidurkis – 1 279, mediana – 153, standartinis nuokrypis – ±5 006,7. Populiariausia naudota programinė įranga buvo „Brainomix“ (n = 12, 20 % visų publikacijų) ir RAPID (n = 12, 20 % visų publikacijų), 6 studijos (10 %) naudojo konvoliucinius neuroninius tinklus ir 6 publikacijos nenurodė nei modelio, nei programinės įrangos pavadinimo. Vidutinis ploto po kreive rodiklis buvo 0,884, o vidutinis tikslumas – 0,857. Jautrumo ir specifiškumo vidurkiai buvo 0,746 ir 0,862. 27 iš 60 atliktų studijų turėjo žmones vertintojus, o žmonių vertintojų skaičiaus vidurkis šiose studijose buvo 3,7 ± 2,9.
Išvados. Dirbtinio intelekto sprendimai gali būti plačiai taikomi automatizuotam galvos smegenų insulto tūrio apskaičiavimui kompiuterinės tomografijos vaizduose. DI taikymas galvos smegenų insulto diagnostikai vis dar reikalauja papildomų tyrimų, perspektyvinių studijų, platesnio palyginimo su žmonėmis vertintojais ir didesnio dėmesio antrinių išeičių vertinimui.
Raktažodžiai: dirbtinis intelektas, insultas, mašininis mokymasis, neuroradiologija.
Summary
Background. Artificial intelligence (AI) in medical imaging is a growing and promising technology that can be applied in stroke diagnosis. The study aims to overview studies that compare diagnostic performance of AI applications in stroke detection and segmentation of stroke lesions with and without human clinicians, appraising the models, study design, and metrics used.
Materials and methods. This systematic review was performed using the PubMed search engine including articles published in the time frame of 2015 January 1 to 2021 July 23. A total of 438 studies were found, out of which 60 were chosen for the review.
Results. Only 2 out of 60 (3.3%) studies were prospective. Minimum unique computer tomography (CT) scans included for validation – 10, maximum – 21586, mean – 599, median – 100, standard deviation – ±2801.1. The training set sizes consisted of minimum 28 CT scans, maximum – 24214, mean – 1279, median – 153, standard deviation – ±5006.7. Most popular software used in the studies were Brainomix (n=12, 20% of studies) and RAPID (n=12, 20%), 6 studies (10%) used convolutional neural networks, and 6 studies did not identify the model or name of software used. The average value of the ROC AUC results reported was 0.884 and the average accuracy was 0.857. The average reported sensitivity and specificity were 0.746 and 0.862, respectively. 27 out of 60 studies used human operators, with the average number of human operators per study being 3.7±2.9.
Conclusions. AI solutions can be widely applied in computation of infarct volumes. Using AI in stroke diagnosis still requires further research with more prospective studies, more expert human operators, and more focus on evaluating secondary outcomes.
Keywords: AI, machine learning, neuroimaging, stroke.
Straipsnis anglų kalba su santrauka lietuvių k. | Article in English with Lithuanian summary
DOI: 10.29014/NS.2022.26.6
Copyright: © Neurologijos seminarai, 2022. Open Access. This article is distributed under the terms of the Creative Commons Attribution 4.0 International License CC-BY 4.0 (http://creativecommons.org/licenses/by/4.0/), which permits unrestricted use, distribution, and reproduction in any medium, provided you give appropriate credit to the original author(s) and the source, provide a link to the Creative Commons license, and indicate if changes were made.
NEUROLOGIJOS SEMINARAI • ISSN 1392-3064 | eISSN 2424-5917