אלגוריתם אוטומטי, מבוסס למידה-עמוקה, עשוי לסייע בסיווג מדויק של מחלות מג’וריות בבית החזה על-בסיס צילומי חזה, כך מדווחים חוקרים מדרום קוריאה במאמר חדש, שפורסם במהלך חודש מרץ בכתב העת JAMA Network Open.

החוקרים בחנו אלגוריתמי DLAD (Deep Learning based Automated Detection) לסיווג צילומי חזה עם קשריות ממאירות ושחפת ריאתית פעילה. במאמר הם מתארים את הפיתוח של אלגוריתם למידה-עמוקה לזיהוי מחלות מג’וריות בבית החזה על-בסיס צילומי חזה ואת התוקף של אלגוריתם זה בהשוואה לרופאים.

המחלות העיקריות בבית החזה אותן אמור היה לזהות האלגוריתם כללו קשריות ריאתיות ממאירות (כולל ממאירות ראשונית של הריאה וגרורות), שחפת ריאתית פעילה, דלקת ריאות וחזה אוויר.

מהנתונים להערכת התוקף הפנימי של האלגוריתם עלה כי מערכת DLAD הדגימה דיוק של 96.5% להבחנה בין צילום חזה תקין וחריג. באשר לתוקף החיצוני, המערכת הדגימה דיוק של 97.9%.

אלגוריתם DLAD מיקם גם באופן מדויק את המחלות המג’וריות בבית החזה בצילומי חזה (תוקף פנימי של 91.6% ותוקף חיצוני של 97.2%).

לשם השוואה, השטח מתחת לעקומת ה-ROC (Receiver Operating Curve) להבחנה בין צילום חזה תקין וחריג עמד על 81.4% בקרב רופאים שאינם רדיולוגים, 89.6% בקרב רדיולוגים מוסמכים ו-932% בקרב רדיולוגים המומחים בהדמיית בית חזה, שיעורים נמוכים משמעותית בהשוואה ל-98.3% עם אלגוריתם DLAD. דפוס דומה זוהה בכל הנוגע למיקום הנגעים.

לאלגוריתם האוטומטי היה בעל דיוק משתנה להבחנה בין מחלות פרטניות שונות בבית החזה ובין ממצאים תקינים: 84.0% דיוק לזיהוי גידולים ריאתיים ממאירים, 20.9% לזיהוי שחפת ריאתית פעילה, 73.1% לזיהוי דלקת ריאות ו-95% לזיהוי חזה אוויר.

החוקרים כותבים כי לטכנולוגיה למידה-עמוקה פוטנציאל גדול וזו כבר תרמה רבות לעולם הרפואה. עם זאת, יש לקחת בחשבון גם את המגבלות של טכנולוגיה זו וחשוב מאוד לבחון לעומק את התוקף של כלים אלו.

JAMA Netw Open 2019

לידיעה במדסקייפ