Blog

May 15, 2023

Algorithme de détection automatique basé sur l'apprentissage profond pour l'hémorragie intracrânienne aiguë : un essai clinique randomisé pivot

volume de médecine numérique npj

npj Digital Medicine volume 6, Article number: 61 (2023) Citer cet article

1614 accès

14 Altmétrique

Détails des métriques

L'hémorragie intracrânienne aiguë (AIH) est une urgence potentiellement mortelle qui nécessite une évaluation et une prise en charge rapides et précises. Cette étude vise à développer et à valider un algorithme d'intelligence artificielle (IA) pour diagnostiquer l'AIH à l'aide d'images de tomodensitométrie cérébrale (CT). Une étude rétrospective, multi-lecteurs, pivot, croisée et randomisée a été réalisée pour valider les performances d'un algorithme d'IA formé à l'aide de 104 666 tranches de 3 010 patients. Les images CT du cerveau (12 663 tranches de 296 patients) ont été évaluées par neuf examinateurs appartenant à l'un des trois sous-groupes (médecins non radiologues, n = 3 ; radiologues certifiés, n = 3 ; et neuroradiologues, n = 3) avec et sans l'aide de notre algorithme d'IA. La sensibilité, la spécificité et la précision ont été comparées entre les interprétations non assistées par l'IA et assistées par l'IA à l'aide du test du chi carré. L'interprétation de la tomodensitométrie cérébrale avec l'assistance de l'IA entraîne une précision de diagnostic significativement plus élevée que celle sans l'assistance de l'IA (0,9703 contre 0,9471, p <0,0001, par patient). Parmi les trois sous-groupes d'examinateurs, les médecins non radiologues démontrent la plus grande amélioration de la précision du diagnostic pour l'interprétation de la tomodensitométrie cérébrale avec l'aide de l'IA par rapport à celle sans l'aide de l'IA. Pour les radiologues certifiés, la précision du diagnostic pour l'interprétation de la tomodensitométrie cérébrale est nettement plus élevée avec l'assistance de l'IA que sans l'assistance de l'IA. Pour les neuroradiologues, bien que l'interprétation de la tomodensitométrie cérébrale avec l'assistance de l'IA entraîne une tendance à une précision diagnostique plus élevée par rapport à celle sans assistance de l'IA, la différence n'atteint pas la signification statistique. Pour la détection de l'IAH, l'interprétation du scanner cérébral avec l'assistance de l'IA donne de meilleures performances diagnostiques que celle sans l'assistance de l'IA, l'amélioration la plus significative étant observée pour les médecins non radiologues.

L'hémorragie intracrânienne aiguë (AIH) est une maladie potentiellement mortelle avec un taux de mortalité à 30 jours allant de 35% à 52%. Plus particulièrement, seuls 20 % des survivants devraient atteindre une récupération fonctionnelle complète à 6 mois1,2,3. L'imagerie par résonance magnétique (IRM) peut être aussi précise que la tomodensitométrie en ce qui concerne la détection de l'AIH chez les patients présentant des symptômes aigus d'AVC focal4 et est plus précise que la tomodensitométrie en termes de détection des microhémorragies. Néanmoins, les tomodensitogrammes cérébraux sans contraste sont l'approche diagnostique de première intention la plus largement utilisée pour identifier l'AIH en raison des nombreux inconvénients des IRM, notamment leur disponibilité limitée, les longs temps d'acquisition d'images, le coût élevé et les problèmes de tolérance du patient5,6.

Malgré la pertinence clinique du diagnostic d'AIH à l'aide de tomodensitogrammes cérébraux - les faux négatifs peuvent retarder le diagnostic correct, ce qui peut entraîner des conséquences dévastatrices, tandis que les faux positifs entraîneront des examens inutiles - une évaluation rapide et précise de l'AIH à l'aide de tomodensitogrammes cérébraux reste un défi pour les médecins. De plus, les volumes élevés de données d'imagerie qui nécessitent une évaluation imposent un fardeau important aux radiologues qui doivent maintenir la précision et l'efficacité du diagnostic7,8.

Au cours de la dernière décennie, la technologie de l'intelligence artificielle (IA) basée sur l'apprentissage en profondeur a fait des progrès significatifs avec des améliorations de la puissance des ordinateurs et l'accumulation de « mégadonnées ». Les progrès de la reconnaissance d'images basée sur l'apprentissage profond, dans le cadre de l'apprentissage automatique, transforment le domaine médical et ont le potentiel d'améliorer encore les processus dans le domaine de l'imagerie médicale9. Ces innovations peuvent augmenter la précision du diagnostic, permettre un diagnostic rapide et une meilleure gestion de diverses conditions, et faciliter de nouvelles connaissances biologiques. Divers algorithmes d'IA pour le diagnostic de l'AIH ont été développés et ont montré des résultats prometteurs dans la détection, la classification, la quantification et la prédiction de l'AIH à l'aide de tomodensitogrammes cérébraux7,8,10,11,12,13,14,15.

Les études antérieures utilisant des architectures d'apprentissage en profondeur ont principalement utilisé des méthodes de détection des hémorragies basées sur l'étiquetage ou la segmentation par des experts7,8,10,11,13,15,16,17. Cependant, la classification des AIH dépend de l'avis d'experts et la formation du système dépend de la labellisation des zones suspectes d'AIH par des experts. En tant que tel, la discordance entre les experts concernant les classifications finales ou l'étiquetage des images est inévitable. De plus, les caractéristiques mal définies, la variabilité des tailles et des morphologies et l'atténuation de l'AIH contribuent à la discordance inter-observateurs même entre neuroradiologues experts. À cet égard, un processus de détection d'anomalies basé sur une formation non supervisée parallèlement à un processus de détection d'hémorragie peut surmonter les inconvénients du processus de détection d'hémorragie supervisée utilisé dans les algorithmes d'IA conventionnels pour la détection d'hémorragie intracrânienne, conduisant à une amélioration des performances de diagnostic18,19,20,21 ,22. En termes d'architectures d'apprentissage en profondeur utilisées pour la détection des hémorragies, la majorité des enquêtes précédentes se sont appuyées sur des algorithmes d'IA basés sur le réseau neuronal convolutif (CNN) qui ont été signalés pour classer et quantifier les hémorragies intracrâniennes avec de bonnes performances diagnostiques11,13,23,24, 25,26. Des études récentes ont proposé de nouvelles architectures d'apprentissage en profondeur basées sur une approche de réseau de neurones récurrents conjoints (CNN-RNN) avec des résultats prometteurs, soulignant son potentiel pour aider les radiologues et les médecins dans leur workflow de diagnostic clinique15,27.

Bien que l'excellente performance des algorithmes d'IA basés sur l'apprentissage en profondeur ait été prouvée dans la cohorte de validation interne, l'obtention de résultats favorables persistants sans baisse de performance dans l'ensemble de données de validation externe composé d'une population de patients et d'un scanner diversifiés reste difficile28,29.

Dans cette étude, nous avons développé un algorithme d'IA de détection automatique basé sur l'apprentissage profond pour identifier l'AIH sur les tomodensitogrammes cérébraux basé sur une nouvelle approche combinant la détection des hémorragies (basée sur un système conjoint CNN-RNN) et la détection des anomalies (basée sur une formation non supervisée). à l'aide d'un grand ensemble de données. Nous évaluons les performances diagnostiques de cet algorithme d'IA dans un grand ensemble de données de validation externe pour valider notre approche et menons également une étude rétrospective multi-lecteurs pour valider l'amélioration des performances diagnostiques avec l'aide de notre algorithme d'IA par des cliniciens de différents niveaux d'expertise.

L'AUROC global pour la performance de l'IA dans l'ensemble de données de validation externe était de 0,992 et 0,977 pour les analyses par patient et par tranche, respectivement. Les analyses des patients et des tranches ont indiqué une sensibilité de 94,4 % et 79,0 % et une spécificité de 98,2 % et 99,3 %, respectivement. Les détails concernant les résultats de la validation externe sont présentés dans le tableau 1 et les tableaux supplémentaires 1 à 3.

L'AUROC global pour la performance autonome de l'IA dans l'ensemble de données de l'étude d'évaluation des lecteurs était de 0,9874 et 0,9671 pour les analyses par patient et par tranche, respectivement (Figs. 3 et 4). Pour l'analyse patient-sage, la meilleure performance diagnostique a été obtenue avec un seuil de 39,84 %, une sensibilité de 95,89 % et une spécificité de 95,33 %. Pour l'analyse par tranches, la meilleure performance diagnostique a été obtenue avec un seuil de 7,70 %, une sensibilité de 89,87 % et une spécificité de 91,60 %. À un seuil de 50,0 %, la sensibilité et la spécificité étaient de 93,84 % et 97,33 %, respectivement, dans l'analyse par patient et de 67,26 % et 99,60 %, respectivement, dans l'analyse par tranche (Figs. 1 et 2 ).

Dans l'étude d'évaluation des lecteurs, le groupe assisté par l'IA a démontré une précision diagnostique significativement plus élevée dans la détection de l'AIH par rapport au groupe non assisté par l'IA dans l'analyse par patient (0,9703 [IC à 95 % : 0,9632, 0,9765] contre 0,9471 [IC à 95 % : 0,9379, 0,9553], p < 0,0001). Sur la base d'une analyse de sous-groupe, les médecins non radiologues ont obtenu le plus grand bénéfice en termes d'amélioration de la précision du diagnostic avec l'assistance de l'IA par rapport à celui du groupe sans assistance de l'IA (0,9505 [IC à 95 % : 0,9340, 0,9638] contre 0,9189 [IC à 95 % : 0,8990, 0,9360], avec une amélioration de 3,15 [IC 95 % : 0,86, 5,45], p = 0,0072) pour les médecins non radiologues au niveau des radiologues sans assistance AI (0,9459 [IC 95 % : 0,9290, 0,9599]) . De plus, les radiologues certifiés par le conseil ont démontré une amélioration significative de la précision du diagnostic avec l'assistance de l'IA par rapport à celle du groupe non assisté par l'IA (0,9741 [IC à 95 % : 0,9614, 0,9835] contre 0,9459 [IC à 95 % : 0,9290, 0,9599], avec une amélioration de 2,82 [IC 95 % : 1,00, 4,63], p = 0,0025), avec une amélioration pour les radiologues certifiés au niveau des neuroradiologues sans assistance AI (0,9764 [IC 95 % : 0,9641, 0,9853]). Note. ROC : caractéristique de fonctionnement du récepteur.

Dans l'étude d'évaluation des lecteurs, le groupe assisté par l'IA a démontré une précision diagnostique significativement plus élevée dans la détection de l'AIH que celle du groupe non assisté par l'IA dans l'analyse par tranches (0,9581 [IC à 95 % : 0,9569, 0,9592] contre 0,9522 [95 % IC : 0,9509, 0,9534], p < 0,0001). Sur la base de l'analyse des sous-groupes, les médecins non radiologues et les radiologues certifiés ont démontré une amélioration significative de la précision du diagnostic avec l'aide de l'IA par rapport à celle du groupe non assisté par l'IA (pour les médecins non radiologues : 0,9393 [IC à 95 % : 0,9369, 0,9417 ] vs 0,9306 [IC 95 % : 0,9280, 0,9332], avec une différence de 0,87 [IC 95 % : 0,52, 1,22], p < 0,0001, pour les radiologues certifiés 0,9632 [IC 95 % : 0,9623, 0,9661] vs. 0,9567 [IC 95 % : 0,9546, 0,9587], avec une différence de 0,75 [IC 95 % : 0,48, 1,03], p < 0,0001). Note. ROC : caractéristique de fonctionnement du récepteur.

Dans l'étude d'évaluation des lecteurs, le groupe assisté par l'IA a montré une précision diagnostique significativement plus élevée dans la détection de l'AIH que le groupe non assisté par l'IA pour les analyses par patient (0,9703 contre 0,9471, p <0,0001) et par tranche (0,9581 contre 0,9522, p < 0,0001). Comparé au groupe non assisté par l'IA, le groupe assisté par l'IA a atteint une sensibilité significativement plus élevée (0,9718 contre 0,9437, p = 0,0003 pour l'analyse par patient et 0,8469 contre 0,8299, p < 0,0001 pour l'analyse par tranche) et spécificité (0,9689 vs 0,9504, p = 0,0145 pour l'analyse par patient et 0,9855 vs 0,9824, p < 0,0001 pour l'analyse par tranche) (Tableaux 2 et 3, Figs. 1 et 2).

Parmi les trois sous-groupes d'examinateurs, les médecins non radiologues ont démontré la plus grande amélioration de la précision du diagnostic avec l'utilisation de l'aide de l'IA par rapport à celle sans l'aide de l'IA (0,9505 contre 0,9189, avec une différence de 3,15 %, p = 0,0072 pour le patient- analyse sage et 0,9393 contre 0,9306, avec une différence de 0,87 %, p < 0,0001 pour l'analyse par tranche). Pour les radiologues certifiés, la détection de l'AIH avec l'assistance de l'IA a entraîné une précision de diagnostic significativement plus élevée par rapport à celle sans l'assistance de l'IA (0,9741 contre 0,9459, avec une différence de 2,82 %, p = 0,0025 pour l'analyse par patient et 0,9632 contre 0,9567, avec une différence de 0,75 %, p < 0,0001 pour l'analyse par tranche). Pour les neuroradiologues, bien que la détection de l'AIH avec l'aide de l'IA ait montré une tendance à une plus grande précision de diagnostic par rapport à celle sans l'aide de l'IA, cela n'a pas atteint la signification statistique (0,9865 contre 0,9764, avec une différence de 1,01 %, p = 0,1138 pour l'analyse par patient et 0,9706 contre 0,9691, avec une différence de 0,15 %, p = 0,2345 pour l'analyse par tranche) (tableaux 2 et 3, figures 1 et 2). Les performances diagnostiques des examinateurs avec des courbes ROC de base pour les performances autonomes de l'IA basées sur des analyses par patient et par tranche sont présentées dans les Figs. 1 et 2, respectivement.

L'analyse GEE a révélé que l'assistance par l'IA entraînait une augmentation significative de la précision des analyses des patients (3,67 pour le groupe assisté par l'IA et 3,01 pour le groupe non assisté par l'IA, avec une différence de 0,66, p = 0,0075) et des analyses par tranches ( 3,21 pour le groupe assisté par l'IA et 3,03 pour le groupe non assisté par l'IA, avec une différence de 0,18, p < 0,0001). La sensibilité a augmenté de manière significative dans les analyses des patients (4,24 pour le groupe assisté par l'IA et 2,89 pour le groupe non assisté par l'IA, avec une différence de 1,35, p = 0,017) et par tranches (1,75 pour le groupe assisté par l'IA et 1,69 pour le groupe assisté par l'IA). le groupe sans assistance AI, avec une différence de 0,05, p = 0,3273). La spécificité a également augmenté de manière significative dans les analyses des patients (3,81 pour le groupe assisté par l'IA et 3,17 pour le groupe non assisté par l'IA, avec une différence de 0,364, p = 0,0376) et les analyses par tranches (4,56 pour le groupe assisté par l'IA et 4,15 pour le groupe non assisté par l'IA, avec une différence de 0,41, p <0,0001) (tableaux supplémentaires 4 à 7).

L'ICC a indiqué que les groupes assistés par l'IA et non assistés par l'IA ont démontré une excellente (0,9193) et une bonne (0,8475) fiabilité, respectivement. Des images représentatives de la détection d'AIH à partir d'images CT cérébrales sont présentées à la Fig. 3 et à la Fig. 1 supplémentaire.

une tomodensitométrie cérébrale assistée par IA a révélé l'emplacement probable de l'AIH comme la citerne basale et la citerne ambiante droite. La TDM cérébrale assistée par IA a fourni des scores de probabilité AIH par tranche (95,8 %) et par patient (99,4 %). Les neuf examinateurs étaient d'accord avec le diagnostic AIH pour les interprétations non assistées par l'IA et assistées par l'IA. b La tomodensitométrie cérébrale assistée par IA a révélé que l'emplacement probable de l'AIH était le côté gauche de la faux. La TDM cérébrale assistée par IA a fourni les scores de probabilité AIH par tranche (62,2 %) et par patient (95,3 %). Pour l'interprétation sans assistance AI, un examinateur (médecin non radiologue) a manqué ce cas d'AIH du côté gauche de la faux. Les neuf examinateurs étaient d'accord avec le diagnostic AIH pour les interprétations non assistées par l'IA et assistées par l'IA. c La tomodensitométrie cérébrale assistée par IA a révélé que l'emplacement probable de l'AIH était le sillon pariétal gauche. La TDM cérébrale assistée par IA a fourni des scores de probabilité AIH par tranche (39,0 %) et par patient (46,3 %). Pour l'interprétation sans assistance de l'IA, les deux tiers des examinateurs (trois médecins non radiologues, deux radiologues certifiés et un neuroradiologue) ont manqué ce cas d'AIH dans le sillon pariétal gauche. Avec l'aide de l'IA, ces six examinateurs ont pu réviser correctement leurs décisions. d La tomodensitométrie cérébrale assistée par IA a révélé que l'emplacement probable de l'AIH était la zone frontale gauche. La TDM cérébrale assistée par l'IA a fourni les scores de probabilité AIH par tranche (54,9 %) et par patient (65,8 %). Pour l'interprétation sans l'aide de l'IA, un tiers des examinateurs (un médecin non radiologue et deux radiologues certifiés) l'ont signalée comme une AIH. Avec l'aide de l'IA, un tiers supplémentaire des examinateurs (un médecin non radiologue, un radiologue certifié et un neuroradiologue) l'a signalé comme une AIH. Cependant, la lésion d'hyper-atténuation subtile dans la région frontale gauche était due à l'artefact de durcissement du faisceau du crâne.

Dans la présente étude, nous avons rapporté un nouvel algorithme d'IA qui utilise une combinaison d'entraînement supervisé pour la détection des hémorragies et d'entraînement non supervisé pour la détection des anomalies. De plus, nous avons appliqué une architecture conjointe CNN-RNN pour la détection des hémorragies. Notre algorithme d'IA a atteint une grande précision pour la détection autonome de l'IA, et son utilisation dans l'interprétation assistée par l'IA a entraîné des performances de diagnostic supérieures dans la détection de l'AIH par rapport à l'interprétation sans l'assistance de l'IA.

En ce qui concerne les valeurs AUROC, les performances de l'algorithme d'IA autonome dans l'étude de validation externe (0,992 et 0,977 dans les analyses par patient et par tranche, respectivement) et l'étude d'évaluation du lecteur (0,9874 et 0,9671 dans les analyses par patient et par tranche , respectivement) étaient comparables aux performances du sous-groupe de neuroradiologues sans l'assistance de l'IA (0,9764 et 0,9691 dans les analyses par patient et par tranche, respectivement). Ces précisions diagnostiques étaient supérieures à celles rapportées par la majorité des études précédentes7,8,10,11,13,15 et étaient comparables aux résultats obtenus dans une étude précédente (AUROC = 0,991), qui indiquait que les performances de l'IA autonome étaient comparables à celle d'experts hautement qualifiés13. De plus, dans la présente étude, la sensibilité élevée de 95,89 % et la spécificité de 95,33 % obtenues par notre approche à un seuil de 39,84 % dans l'analyse patient-sage étaient supérieures à celles obtenues par les examinateurs sans l'aide de l'IA (94,37 % et 95,04 %, respectivement). Les résultats prometteurs obtenus par notre algorithme d'IA mettent en évidence son potentiel pour la détection précise de l'AIH sur les images CT du cerveau.

Dans l'étude d'évaluation des lecteurs, qui a utilisé une conception d'étude rétrospective, multi-lecteurs, pivot, croisée et randomisée, le groupe assisté par l'IA a démontré une précision diagnostique significativement plus élevée dans la détection de l'AIH que le groupe non assisté par l'IA. De plus, la performance supérieure du groupe assisté par l'IA en termes de précision du diagnostic a été validée à l'aide de l'analyse GEE. À notre connaissance, les effets bénéfiques de l'assistance de l'IA dans l'interprétation du lecteur pour la détection de l'AIH sur les images CT du cerveau n'ont pas été signalés auparavant. Les résultats prometteurs de cette étude confirment la pertinence pratique de l'utilisation de l'IA en milieu clinique pour améliorer les soins aux patients. Notamment, à l'aide de notre algorithme d'IA, les performances diagnostiques des médecins non radiologues ont atteint le niveau des radiologues et les performances diagnostiques des radiologues ont atteint le niveau des neuroradiologues pour la détection de l'AIH sur les images CT du cerveau. Nous pensons que notre algorithme d'IA peut jouer un rôle clé en tant qu'assistant fiable dans la pratique clinique réelle où l'aide rapide de radiologues ou de neuroradiologues experts peut ne pas être disponible. De plus, notre algorithme d'IA peut en partie soulager le fardeau des radiologues et des neuroradiologues qui rencontrent de grands volumes d'images CT qui nécessitent une interprétation avec une précision et une efficacité diagnostiques élevées en temps opportun. L'amélioration significative de la sensibilité observée dans cette étude implique que le présent algorithme d'IA peut réduire la survenue de faux négatifs dans lesquels l'AIH peut être exclue à tort, permettant ainsi une prise en charge rapide qui est essentielle pour les patients atteints d'AIH.

Il est intéressant de noter que la différence entre les sensibilités assistées par l'IA et non assistées par l'IA montre une valeur plus faible pour la manière par tranche (1,70 %) que pour la manière par patient (2,82 %), et l'amélioration en termes de la sensibilité pour les médecins non radiologues de la manière patient-sage n'a pas atteint la signification statistique de la manière tranche-sage (tableaux 2 et 3). De plus, selon l'analyse GEE, l'obtention d'une supériorité statistiquement significative n'a échoué que dans l'analyse de la sensibilité par tranche (tableau supplémentaire 6). La faible sensibilité de l'IA autonome de la manière par tranche (89,87 %) par rapport à celle de la manière par patient (95,89 %) pourrait faire d'un effet positif constant sur la décision un défi. De plus, la diminution en termes de rôle positif pourrait affecter le groupe des médecins non radiologistes avec une plus grande intensité. Cependant, l'amélioration statistiquement significative de la sensibilité dans le groupe des neuroradiologues uniquement à la manière des tranches reste un défi qui doit être expliqué.

Bien que la spécificité ait été significativement améliorée dans le groupe assisté par l'IA pour tous les lecteurs, nous n'avons pas observé d'amélioration statistiquement significative de la spécificité pour chaque groupe. Cela suggère que la capacité de l'algorithme d'IA actuel à réduire les faux positifs peut être limitée et que notre algorithme d'IA est plus approprié comme outil de soutien plutôt qu'une méthode alternative pour la détection de l'AIH sur les images CT du cerveau.

Dans la présente étude, nous décrivons le développement d'un nouvel algorithme d'IA, qui combine des processus de détection d'hémorragie et de détection d'anomalies, dans le but d'améliorer les performances diagnostiques pour l'identification de l'AIH sur les images CT du cerveau. La majorité des algorithmes d'IA précédents utilisés pour analyser l'imagerie médicale, y compris ceux conçus pour la détection des hémorragies intracrâniennes, ont été développés à l'aide d'un étiquetage supervisé des images d'entraînement pour faciliter le processus de détection des biomarqueurs7,8,10,11,13,15,16,17. Bien que la formation utilisant des images étiquetées par des experts ait produit des résultats prometteurs27,30,31, la discordance dans les zones étiquetées entre les experts est inévitable. De plus, des caractéristiques mal définies, des variations de tailles et de morphologies et l'atténuation de l'AIH contribuent à des discordances inter-observateurs qui peuvent survenir même entre neuroradiologues experts. La détection des anomalies est le processus d'identification des zones anormales basé sur une formation non supervisée utilisant des données normales21,22,32. L'application de la détection d'anomalies basée sur un entraînement non supervisé à l'aide d'images CT cérébrales normales peut surmonter les inconvénients des algorithmes d'IA conventionnels pour la détection AIH qui reposent sur un entraînement supervisé. Dans la présente étude, la combinaison de la détection des hémorragies et de la détection des anomalies basée sur un ensemble de données relativement important peut avoir contribué aux performances supérieures démontrées par l'algorithme d'IA actuel.

Pour surmonter les problèmes susmentionnés et améliorer les performances de diagnostic, nous avons utilisé un CNN-RNN combiné dans notre algorithme d'IA. En ce qui concerne les architectures d'apprentissage en profondeur, les études précédentes ont principalement utilisé des algorithmes basés sur des CNN 2D ou 3D11,13,23,24,25,26. Cependant, les images CT du cerveau consistent en une série d'images 2D qui contiennent des informations sur les structures 3D réelles. Par conséquent, dans la présente étude, nous avons conçu une architecture plus appropriée pour le traitement de données 3D et avons en outre appliqué un module RNN au module CNN plus courant. L'utilisation supplémentaire de ce RNN a facilité des scores de probabilité AIH plus précis pour le patient et amélioré les performances de diagnostic au niveau du patient et de la tranche.

Des travaux supplémentaires sont nécessaires pour examiner l'utilité de cet algorithme d'IA d'un point de vue clinique, y compris des enquêtes sur la morbidité ou la mortalité associées. Dans la présente étude, nous avons abordé la précision diagnostique de l'algorithme d'IA actuel dans la détection de l'AIH sur les images CT du cerveau ; Cependant, les caractéristiques critiques de l'évolution de l'AIH qui sont associées aux résultats cliniques, y compris le volume et l'expansion de l'hémorragie, nécessitent une évaluation avec une imagerie de suivi pour acquérir une compréhension complète de la précision diagnostique de notre approche. En tant que tel, d'autres enquêtes concernant l'utilité clinique du présent algorithme d'IA chez les patients atteints d'AIH critique pour lesquels des résultats cliniques sont disponibles clarifieront son rôle potentiel dans le diagnostic et la gestion de cette condition. De plus, l'environnement de lecture dans cette étude expérimentale ne reproduisait pas celui de la pratique quotidienne, notamment en ce qui concerne l'utilisation des informations cliniques. Dans les milieux cliniques, les informations sur les patients, y compris les principales plaintes, les symptômes, les résultats de l'examen physique et les antécédents médicaux, ont contribué à la performance diagnostique supérieure des médecins. Par conséquent, l'application directe du présent algorithme d'IA basé sur ses excellentes performances de diagnostic dans cette étude expérimentale peut être prématurée. De plus, la classification de l'AIH par le comité d'examen de l'étalon-or dans cette étude peut être une limitation. Il est difficile de déterminer l'étalon-or pour l'AIH, en particulier lorsque la quantité d'hémorragie est subtile, de sorte qu'aucune prise en charge n'est indiquée, et que d'autres étapes de diagnostic, telles qu'une ponction lombaire, ne seraient pas systématiquement envisagées et pourraient même être inexactes. La vérité fondamentale peut ne pas être connaissable dans de tels cas en médecine clinique de routine. Afin de minimiser l'inconvénient naturel dans le diagnostic de l'AIH, dans la présente étude, l'étalon-or pour la classification de l'AIH était basé sur l'interprétation du comité d'examen de l'étalon-or composé de trois neuroradiologues ayant au moins 11 ans d'expérience pertinente en tant que radiologues, y compris à au moins 7 ans d'expérience en tant que neuroradiologues. Cependant, parvenir à un accord complet entre les deux neuroradiologues principaux était difficile. Dans la présente étude, la valeur kappa pondérée pour l'accord inter-juges entre les neuroradiologues expérimentés était de 0,9865, et deux cas initialement inclus dans le groupe AIH ont été reclassés dans le groupe normal (sans AIH). Bien que notre approche pour parvenir à un diagnostic de référence ait été raisonnable, il peut y avoir des limites en termes de pertinence de notre méthode pour identifier la référence de référence utilisée pour la validation de l'algorithme d'IA, qui a atteint une précision de diagnostic allant jusqu'à 0,9874 selon ces décisions. . Enfin, les caractéristiques démographiques des cas inclus et la conception rétrospective de l'étude qui permet un éventuel biais de sélection sont des limites supplémentaires.

En conclusion, nous avons développé un algorithme d'IA basé sur l'apprentissage en profondeur pour la détection automatique de l'AIH sur les images CT du cerveau, basé sur une combinaison d'un processus de détection d'hémorragie, qui utilisait une architecture CNN-RNN combinée, et d'un processus de détection d'anomalies, qui utilisait une formation non supervisée. Les performances de diagnostic de l'algorithme d'IA ont été validées dans un grand ensemble de données de validation externe. De plus, l'amélioration des performances de diagnostic avec l'assistance de l'IA par rapport à celle sans assistance de l'IA a également été validée dans cette étude rétrospective multi-lecteurs.

Nous avons développé et validé un algorithme d'IA basé sur l'apprentissage en profondeur (Medical Insight+ Brain Hemorrhage, SK Inc. C&C, Seongnam, République de Corée) pour la détection automatique de l'AIH sur les tomodensitogrammes cérébraux. Cette étude a été approuvée par les comités d'examen institutionnels des institutions participantes (H-2007-061-1140, Seoul National University Hospital Institutional Review Board [institution A] et AJIRB-DEV-DE3-20-379, Ajou University Medical Center Institutional Review Board [institution B]), et l'exigence de consentement éclairé a été levée en raison de la nature rétrospective de cette étude.

Pour développer l'algorithme d'IA à utiliser avec notre logiciel d'aide au diagnostic, 104 666 tranches (28 351 [27,1 %] avec AIH et 76 315 [72,9 %] sans AIH) de 3 010 patients (2010 [66,8 %] avec AIH et 1 000 [33,2 %] sans AIH) de deux institutions (l'hôpital universitaire national de Séoul [institution A] et le centre médical universitaire d'Ajou [institution B]) ont été utilisés pour le développement du modèle. Les données ont été recueillies auprès des patients des établissements A et B entre avril 2009 et décembre 2015 et entre avril 2004 et avril 2020, respectivement. L'AIH au niveau de la pathologie sous-jacente (y compris l'hémorragie intratumorale et la transformation hémorragique au site de l'AVC ischémique aigu) ainsi que l'AIH solitaire ont également été inclus dans le groupe AIH. La plupart des données de développement (2 632 sur un total de 3 010 patients [87 4 %]) avaient une épaisseur de tranche de 5 mm (2 5 mm [n = 3], 3,0 mm [n = 104], 3,75 mm [n = 1], 4,0 mm [n = 40], 4,5 mm [n = 209], 4,8 mm [n = 12], 5,3125 mm [n = 1], 6,0 mm [n = 4] et 7,0 mm [n = 4]).

Pour la validation externe des performances diagnostiques de l'algorithme AI, 1 855 465 tranches (73 467 [4 0%] avec AIH et 1 781 998 [96,0%] sans AIH) de 49 841 patients (6442 [12,9%] avec AIH et 43 399 [87,1%] sans AIH) dans le hub AI sous la direction de l'Agence nationale coréenne de la société de l'information (https://aihub.or.kr/aidata/34101) ont été utilisés. Cet ensemble de données a été collecté auprès de six établissements médicaux en Corée en 2020 dans le cadre d'un projet de collecte de données volumineuses sur les maladies cérébrovasculaires, et les hôpitaux contribuant à la collecte de données pour le hub d'IA sont différents des hôpitaux à partir desquels l'ensemble de données de développement a été collecté. La décision de savoir si les 1 855 465 tranches de 49 841 patients étaient soit AIH soit normales a été prise sur la base de l'interprétation des images par les neuroradiologues de chaque établissement. Au total, 6442 images CT ont montré une HAI, dont 2424 cas d'hémorragie sous-arachnoïdienne, 2738 cas d'hémorragie sous-durale, 371 cas d'hémorragie épidurale, 1266 cas d'hémorragie intraventriculaire et 3367 cas d'hémorragie intraparenchymateuse (remarque : des sous-types qui se chevauchent étaient possibles). Au total, 73 467 tranches ont présenté une AIH, dont 32 751 cas d'hémorragie sous-arachnoïdienne, 39 604 cas d'hémorragie sous-durale, 4 567 cas d'hémorragie épidurale, 18 220 cas d'hémorragie intraventriculaire et 35 669 cas d'hémorragie intraparenchymateuse types étaient possibles). Un résumé des informations sur le patient et le scanner concernant la validation externe est présenté dans les tableaux supplémentaires 8 et 9.

Un ensemble de données temporairement séparé de l'ensemble de données de développement a été obtenu pour l'évaluation du lecteur. Un total de 12 663 cerveaux (2 508 AIH [19,8 %] et 10 155 normaux [81,2 %]) de 296 patients (146 AIH [49,3 %] et 150 normaux [51,7 %]) ont été obtenus auprès de deux institutions (Seoul National CHU [établissement A] et CHU Ajou [établissement B]). Les données ont été recueillies auprès des patients des établissements A et B entre janvier 2016 et décembre 2019 et entre avril 2004 et avril 2020, respectivement. Les patients inscrits dans l'ensemble de données de développement n'étaient pas inscrits dans l'ensemble de données de l'étude des lecteurs.

Les 296 images CT complètes qui satisfaisaient aux critères de qualité d'image modifiés par rapport aux critères précédemment rapportés ont été inscrites comme ensemble de données pour l'étude d'évaluation des lecteurs (tableau supplémentaire 10)33,34. Le nombre d'images tomodensitométriques requises a été calculé à l'aide de la méthode d'estimation de puissance avec le niveau de signification défini à 5 % et la puissance à 90 %, qui était basée sur une sensibilité de 88,6 % comme indiqué précédemment27 et une sensibilité de 98,5 % à partir de la validation interne de l'algorithme d'IA actuel. Il en est résulté un total de 148 images CT pour chaque groupe tout en représentant un taux d'abandon de 15 %. De plus, sur la base d'une spécificité de 88,6 % rapportée dans une étude précédente27 et d'une spécificité de 96,0 % issue de la validation interne du présent algorithme d'IA, 114 images CT pour chaque groupe ont été obtenues tout en tenant compte d'un taux d'abandon de 15 %.

L'étalon-or pour l'interprétation de toutes les 12 663 tranches de 296 images CT comme AIH ou normal a été atteint par un consensus prudent d'un comité d'examen de l'étalon-or composé de trois neuroradiologues ayant au moins 11 et 7 ans d'expérience en tant que radiologues et neuroradiologues, respectivement. Pour l'interprétation CT, deux radiologues ont indépendamment interprété la présence ou l'absence d'AIH à la fois d'une manière patient-sage et tranche-sage. Un troisième neuroradiologue a examiné les cas pour lesquels il y avait un désaccord entre les deux premiers neuroradiologues pour prendre une décision finale. La valeur kappa pondérée de l'accord inter-évaluateurs entre les interprétations indépendantes initiales par les neuroradiologues expérimentés était de 0,9865 [IC à 95 % : 0,9732, 0,9997] pour l'analyse patient-sage et était basée sur les interprétations du comité d'examen de référence. Deux cas initialement classés dans le groupe AIH selon les dossiers médicaux ont été reclassés dans le groupe normal. Au total, 146 images CT ont montré une AIH, dont 101 cas d'hémorragie sous-arachnoïdienne, 72 cas d'hémorragie sous-durale, 20 cas d'hémorragie épidurale, 40 cas d'hémorragie intraventriculaire et 66 cas d'hémorragie intraparenchymateuse (note : des sous-types qui se chevauchent étaient possibles). Un total de 2508 tranches présentaient une AIH, dont 1408 cas d'hémorragie sous-arachnoïdienne, 1150 cas d'hémorragie sous-durale, 228 cas d'hémorragie épidurale, 240 cas d'hémorragie intraventriculaire et 535 cas d'hémorragie intraparenchymateuse (remarque : des sous-types qui se chevauchent étaient possibles). Un résumé de la population de l'étude des lecteurs est présenté dans le tableau supplémentaire 11.

Pour le développement de l'algorithme d'IA, 28 351 tranches de 2 010 patients atteints d'AIH et de 1 000 participants normaux ont été annotées par des neuroradiologues à l'aide de la version 4.1.3 de nordicICE (NordicNeuroLab, Bergen, Norvège), avec un accent particulier sur les zones d'AIH. Pour surmonter les inconvénients de la variabilité inter-observateur par entraînement supervisé, nous avons développé un nouvel algorithme d'IA basé sur une combinaison d'un processus de détection d'hémorragie supervisé et d'un processus de détection d'anomalies non supervisé.

Le processus de détection des hémorragies a pour but de prédire si l'AIH est présente sur les images CT du cerveau. Ce processus se compose de deux modules15,27,35. Le premier est un module de détection d'hémorragie basé sur CNN qui fournit le vecteur de caractéristiques et le score AIH pour la cible. Le second est un module de séquence basé sur RNN avec des doubles couches. Dans ce module, des scores AIH plus précis pour chaque tranche sont produits en utilisant les vecteurs de caractéristiques et les scores du premier module comme entrées pour surmonter les limites des CNN en termes d'analyse de données d'images 3D. De plus, les scores de chaque patient ont été acquis simultanément.

Un processus de détection d'anomalies a été appliqué pour prédire si des anomalies étaient présentes sur les images CT du cerveau. Un module de génération basé sur un auto-encodeur variationnel36,37 et un réseau génératif antagoniste38 a été utilisé dans ce processus. Le module de génération a été formé pour générer des tranches CT normales (images CT restaurées) à l'aide d'images du groupe normal. En tant que tel, une comparaison des images CT restaurées et d'entrée a indiqué des zones d'anomalie lors de l'examen des zones présumées avoir une AIH dans le processus de détection des hémorragies.

Enfin, des images CT cérébrales assistées par IA, qui comprenaient une carte thermique intégrée représentant l'emplacement probable de l'AIH en fonction des scores de probabilité AIH par patient et par tranche, ont été fournies à la visionneuse du système d'archivage et de communication d'images (PACS) aux côtés des images CT cérébrales originales. (Fig. 1). Une vue d'ensemble et des détails sur l'architecture de l'algorithme AI sont présentés à la Fig. 4 et aux Figs supplémentaires. 2 et 3.

Le diagramme montre l'architecture de l'algorithme d'IA proposé. Ce nouvel algorithme d'IA combinait un processus supervisé de détection des hémorragies et un processus non supervisé de détection des anomalies. De plus, une architecture combinée CNN-RNN a été appliquée dans le processus de détection des hémorragies. La présence ou l'absence est déterminée par le processus de détection d'hémorragie. À la suite de ce processus de détection d'hémorragie, l'algorithme AI fournit le score AIH de manière patient et tranche. L'algorithme AI fournit la carte des anomalies pour les patients AIH par la soustraction entre l'image CT originale et l'image CT restaurée (image normale générée artificiellement basée sur la formation non supervisée à partir d'un ensemble de données normal) et le post-traitement. Le temps supplémentaire moyen pour accéder aux images CT assistées par l'IA sur la visionneuse PACS était de 97,4 secondes. Le temps entre le serveur PACS et l'IA, le temps de traitement de l'IA et le temps entre l'IA et le visualiseur PACS étaient de 54,6 secondes (plage, 37 à 91 secondes), 11,8 secondes (plage, 0,8 à 90,6 secondes), 31,0 secondes (plage, 30 à 33 secondes ). Note. Hémorragie intracrânienne aiguë AIH, système d'archivage et de communication d'images PACS, réseau neuronal convolutif CNN, réseau neuronal récurrent RNN, autoencodeur variationnel VAE, réseau antagoniste génératif GAN.

Les scores de probabilité AIH par patient et par tranche ont été utilisés pour évaluer les mesures de performance autonomes de notre algorithme d'IA, y compris la précision, la sensibilité, la spécificité, la valeur prédictive positive, la valeur prédictive négative, le score F1 et l'aire sous la courbe caractéristique de fonctionnement du récepteur (AUROC).

Les scores de probabilité AIH par patient et par tranche ont été utilisés pour évaluer les mesures de performance autonomes de notre algorithme d'IA, y compris l'AUROC, la sensibilité et la spécificité.

Une étude rétrospective, multi-lecteurs, croisée, de supériorité, pivot, randomisée a été réalisée pour évaluer l'efficacité du logiciel d'aide à la décision diagnostique en ce qui concerne l'identification et la détection des hémorragies intracrâniennes sur les tomodensitogrammes cérébraux (Clinical Research Information Service of Republic of Corée [https://cris.nih.go.kr ; identifiant : KCT0006734], qui est un registre principal coréen de la plate-forme d'enregistrement international des essais cliniques de l'Organisation mondiale de la santé, sous la direction de l'Agence coréenne de contrôle et de prévention des maladies) ( note supplémentaire (détails de l'étude)).

Cette étude rétrospective multi-lecteurs a été menée avec neuf examinateurs de quatre institutions en Corée du Sud (l'hôpital universitaire national de Séoul, le centre médical universitaire d'Ajou, l'hôpital universitaire national de Bundang Seoul et le centre médical de Seongnam) en utilisant 12 663 tranches de tomodensitométrie cérébrale de 296 patients comme étude. base de données. Neuf médecins de trois sous-groupes différents avec des nombres égaux (c'est-à-dire trois médecins non radiologues avec 5 à 7 ans d'expérience dans ce rôle, trois radiologues certifiés par le conseil avec 5 à 7 ans d'expérience dans ce rôle et trois neuroradiologues formés en surspécialité avec 7 à 11 ans d'expérience en tant que radiologues, dont 3 à 7 ans d'expérience en tant que neuroradiologues) ont participé en tant qu'examinateurs.

Dans cette étude rétrospective, multi-lecteurs, pivot, croisée et randomisée, avant la première évaluation, l'ensemble de données CT complet a été divisé en groupes A et B, chacun comprenant des images CT de 148 patients, et les numéros pour l'évaluation séquentielle ont été attribués au hasard. Le groupe A était composé d'images CT originales et d'images CT assistées par IA correspondantes, tandis que le groupe B était composé uniquement d'images CT originales sans images CT assistées par IA. Les images CT assistées par IA ont fourni une carte thermique avec des informations sur l'emplacement suspecté de l'AIH et la probabilité d'AIH d'une manière patient et par tranche. Chaque examinateur a examiné indépendamment les images CT pour la détection de l'AIH. La visionneuse d'images PACS a été utilisée pour évaluer les images CT par patient et par tranche. Les examinateurs ont été aveuglés par les décisions du comité d'examen de référence en ce qui concerne l'AIH et la proportion de cas d'AIH dans l'ensemble de données évalué. Après une période de sevrage de 4 à 5 semaines, une deuxième évaluation a été effectuée. Dans la deuxième évaluation, l'ensemble de données du groupe A comprenant les images CT originales et assistées par l'IA lors de la première évaluation a été modifié pour inclure uniquement les images CT originales sans aucune image CT assistée par l'IA, tandis que les images CT assistées par l'IA ont été ajoutées au groupe B. ensemble de données qui n'incluait auparavant que les images CT originales sans images CT assistées par IA. Les numéros des évaluations séquentielles ont été réattribués au hasard. Chaque examinateur a répété le même processus d'examen que lors de la première évaluation. Un aperçu schématique de la conception de l'étude est présenté à la Fig. 5.

Le diagramme schématique montre la conception de l'étude rétrospective, pivot, croisée et randomisée utilisée dans la présente étude (à gauche). Lors de la première revue d'images, le groupe A était composé d'images CT originales et d'images CT assistées par IA correspondantes, tandis que le groupe B ne comprenait que les images CT originales sans images CT assistées par IA. Après une période de lavage de 4 à 5 semaines, lors de la deuxième revue d'images, l'ensemble de données du groupe A a été modifié pour inclure uniquement les images CT d'origine sans aucune image CT assistée par IA, tandis que les images CT assistées par IA ont été ajoutées à l'ensemble de données du groupe B. . Les images CT assistées par IA ont fourni une carte thermique avec des informations sur l'emplacement suspecté et la probabilité d'AIH d'une manière patient et par tranche (à droite).

La détermination de l'IA était basée sur le fait que la probabilité fournie par l'algorithme d'IA était égale ou supérieure au niveau de coupure. Pour la validation externe, une décision était considérée comme correcte si la détermination de l'IA correspondait à la décision suggérée prise sur la base des informations de base sur l'ensemble de données de validation externe ; la sensibilité et la spécificité ont été calculées à un seuil de 50,0 %. Cependant, pour l'évaluation de l'IA autonome, une décision était considérée comme correcte si la détermination de l'IA correspondait à la décision prise par le comité d'examen de référence pour l'analyse AUROC ; la sensibilité et la spécificité ont également été calculées à un seuil de 50,0 %.

Dans l'étude des lecteurs, la justesse d'une décision a été déterminée en fonction de la correspondance entre la décision du lecteur et la décision prise par le comité d'examen de référence. La sensibilité, la spécificité et la précision ont été comparées entre les groupes assistés par l'IA et non assistés par l'IA à l'aide du test du chi carré. Pour valider la performance supérieure du groupe assisté par l'IA par rapport à celle du groupe non assisté par l'IA, une régression logistique utilisant la méthode de l'équation d'estimation généralisée (GEE) a été utilisée pour les tests de signification et pour estimer les intervalles de confiance à 95 % (IC). La concordance inter-observateur selon le sous-type AIH a été analysée à l'aide d'un coefficient de corrélation intra-classe basé sur une analyse patient-sage. Toutes les analyses ont été réalisées à l'aide du logiciel statistique SAS (version 9.4 ; SAS Institute, Cary, NC, USA).

De plus amples informations sur la conception de la recherche sont disponibles dans le résumé des rapports de recherche sur la nature lié à cet article.

Des documents supplémentaires liés à cette étude sont disponibles auprès de l'auteur correspondant sur demande raisonnable. Les ensembles de données de l'hôpital universitaire national de Séoul et du centre médical universitaire d'Ajou ont été utilisés sous licence pour l'étude actuelle et ne sont pas accessibles au public.

Le code utilisé pour former le modèle d'IA dépend de l'annotation, de l'infrastructure et du matériel ; ainsi, il ne peut pas être libéré. Cependant, tous les détails expérimentaux et de mise en œuvre qui peuvent être partagés sont décrits en détail dans la note supplémentaire (détails de l'étude). L'algorithme d'IA développé à partir de cette étude est disponible via le produit commercial, SK Inc. C&C Medical Insight+ Brain Hemorrhage.

Qureshi, AI, Mendelow, AD et Hanley, DF Hémorragie intracérébrale. Lancet 373, 1632–1644 (2009).

Article PubMed PubMed Central Google Scholar

Broderick, J. et al. Lignes directrices pour la prise en charge de l'hémorragie intracérébrale spontanée chez l'adulte : mise à jour de 2007 : une ligne directrice de l'American Heart Association/American Stroke Association Stroke Council, du High Blood Pressure Research Council et du Quality of Care and Outcomes in Research Interdisciplinary Working Group. AVC 38, 2001–2023 (2007).

Article PubMed Google Scholar

van Asch, CJ et al. Incidence, létalité et résultat fonctionnel de l'hémorragie intracérébrale au fil du temps, selon l'âge, le sexe et l'origine ethnique : une revue systématique et une méta-analyse. Lancette Neurol. 9, 167-176 (2010).

Article PubMed Google Scholar

Kidwell, CS et al. Comparaison de l'IRM et du scanner pour la détection d'une hémorragie intracérébrale aiguë. JAMA 292, 1823–1830 (2004).

Article CAS PubMed Google Scholar

Cordonnier, C., Demchuk, A., Ziai, W. & Anderson, CS Hémorragie intracérébrale : approches actuelles de la prise en charge aiguë. Lancette 392, 1257-1268 (2018).

Article PubMed Google Scholar

Morotti, A. & Goldstein, JN Diagnostic et prise en charge de l'hémorragie intracérébrale aiguë. Urgence Méd. Clin. Nord. Suis. 34, 883–899 (2016).

Article PubMed PubMed Central Google Scholar

Lee, JY, Kim, JS, Kim, TY & Kim, YS Détection et classification des hémorragies intracrâniennes sur les images CT à l'aide d'un nouvel algorithme d'apprentissage en profondeur. Sci. Rep. 10, 20546 (2020).

Article CAS PubMed PubMed Central Google Scholar

Hwang, I. et al. Prédiction de l'âge du cerveau à partir d'images de résonance magnétique cérébrale en écho de spin pondérées en T2 avec un réseau de neurones à convolution profonde. Neurobiol. Âge 105, 78–85 (2021).

Article PubMed Google Scholar

Hosny, A., Parmar, C., Quackenbush, J., Schwartz, LH & Aerts, H. Intelligence artificielle en radiologie. Nat. Rev. Cancer 18, 500–510 (2018).

Article CAS PubMed PubMed Central Google Scholar

Arbabshirani, MR et al. Apprentissage automatique avancé en action : identification de l'hémorragie intracrânienne sur les tomodensitogrammes de la tête avec intégration du flux de travail clinique. Chiffre NPJ. Méd. 1, 9 (2018).

Article PubMed PubMed Central Google Scholar

Chilamkurthy, S. et al. Algorithmes d'apprentissage en profondeur pour la détection des résultats critiques dans les tomodensitogrammes de la tête : une étude rétrospective. Lancette 392, 2388–2396 (2018).

Article PubMed Google Scholar

Ginat, DT Analyse des tomodensitogrammes de la tête signalés par un logiciel d'apprentissage en profondeur pour une hémorragie intracrânienne aiguë. Neuroradiologie 62, 335–340 (2020).

Article PubMed Google Scholar

Kuo, W., Hne, C., Mukherjee, P., Malik, J. & Yuh, EL Détection de niveau expert d'une hémorragie intracrânienne aiguë sur la tomodensitométrie de la tête à l'aide d'un apprentissage en profondeur. Proc. Natl. Acad. Sci. États-Unis 116, 22737–22745 (2019).

Article CAS PubMed PubMed Central Google Scholar

Soun, JE et al. Intelligence artificielle et imagerie de l'AVC aigu. Suis. J. Neuroradiol. 42, 2–11 (2021).

Article CAS PubMed PubMed Central Google Scholar

Ye, H. et al. Diagnostic précis des hémorragies intracrâniennes et des sous-types à l'aide d'un réseau neuronal convolutif et récurrent articulaire tridimensionnel. EUR. Radiol. 29, 6191–6201 (2019).

Article PubMed PubMed Central Google Scholar

Schmidt-Erfurth, U. et al. Apprentissage automatique pour analyser la valeur pronostique des biomarqueurs d'imagerie actuels dans la dégénérescence maculaire néovasculaire liée à l'âge. Ophtalmol. Rétine 2, 24–30 (2018).

Article PubMed Google Scholar

Wang, Z. et al. Classification non invasive des microcalcifications par mammographie à rayons X en contraste de phase. Nat. Commun. 5, 3797 (2014).

Article CAS PubMed Google Scholar

Fernando, T., Gammulle, H., Denman, S., Sridharan, S. & Fookes, CJ ae-p. Apprentissage profond pour la détection d'anomalies médicales - une enquête. https://arxiv.org/abs/2012.02364 (2020).

Ironside, N. et al. Algorithme de segmentation entièrement automatisé pour l'analyse volumétrique des hématomes dans les hémorragies intracérébrales spontanées. Course 50, 3416–3423 (2019).

Article PubMed Google Scholar

Jang, J., Lee, HH, Park, JA et Kim, H. Détection d'anomalies non supervisée à l'aide de réseaux contradictoires génératifs dans (1) H-MRS du cerveau. J. Magn. Réson. 325, 106936 (2021).

Article CAS PubMed Google Scholar

Schlegl, T., Seebock, P., Waldstein, SM, Langs, G. & Schmidt-Erfurth, U. f-AnoGAN : détection rapide d'anomalies non supervisée avec des réseaux contradictoires génératifs. Méd. Image anale. 54, 30–44 (2019).

Article PubMed Google Scholar

Schlegl, T., Seeböck, P., Waldstein, SM, Schmidt-Erfurth, U. & Langs, GJ ae-p. Dans : Traitement de l'information en imagerie médicale. https://arxiv.org/abs/1703.05921 (2017).

Dawud, AM, Yurtkan, K. & Oztoprak, H. Application de l'apprentissage profond en neuroradiologie : classification des hémorragies cérébrales à l'aide de l'apprentissage par transfert. Calcul. Intel Neurosci. 2019, 4629859 (2019).

Article PubMed PubMed Central Google Scholar

Lee, H. et al. Un algorithme d'apprentissage en profondeur explicable pour la détection des hémorragies intracrâniennes aiguës à partir de petits ensembles de données. Nat. Biomédical. Ing. 3, 173-182 (2019).

Article PubMed Google Scholar

Prevedello, LM et al. Identification automatisée des résultats des tests critiques et système de notification en ligne utilisant l'intelligence artificielle dans l'imagerie. Radiologie 285, 923–931 (2017).

Article PubMed Google Scholar

Titano, JJ et al. Surveillance automatisée des réseaux de neurones profonds des images crâniennes pour les événements neurologiques aigus. Nat. Méd. 24, 1337-1341 (2018).

Article CAS PubMed Google Scholar

Grewal, M., Srivastava, MM, Kumar, P. & Varadarajan, S. Dans : 2018 IEEE 15th International Symposium on Biomedical Imaging (ISBI 2018) 281–284 (2018).

Mauri, L. & Damiani, E. Estimation de la dégradation des actifs de données d'apprentissage automatique. ACM J. 14, https://doi.org/10.1145/3446331 (2022).

Young, Z. & Steele, R. Évaluation empirique de la dégradation des performances des modèles prédictifs basés sur l'apprentissage automatique - une étude de cas dans les systèmes d'information sur les soins de santé. Int. J. Inf. Géré. 2, 10070 (2022).

Google Scholar

Esteva, A. et al. Classification au niveau dermatologique du cancer de la peau avec des réseaux de neurones profonds. Nature 542, 115-118 (2017).

Article CAS PubMed PubMed Central Google Scholar

Kooi, T. et al. Apprentissage profond à grande échelle pour la détection assistée par ordinateur des lésions mammographiques. Méd. Image. Anal. 35, 303-312 (2017).

Article PubMed Google Scholar

Zhang, LW, Lin, J. & Karim, R. Détection adaptative des anomalies basée sur la densité du noyau pour les systèmes non linéaires. Savoir. Syst. 139, 50–63 (2018).

Article Google Scholar

Fletcher, JG et al. Évaluation de la tomodensitométrie à tête hélicoïdale à faible dose pour la détection des découvertes intracrâniennes causant des déficits neurologiques. Suis. J. Neuroradiol. 40, 1855–1863 (2019).

CAS PubMed PubMed Central Google Scholar

Fletcher, JG et al. Performance de l'observateur dans la détection et la classification des nodules et masses hépatiques malins avec débruitage de l'espace image ct et reconstruction itérative. Radiologie 276, 465–478 (2015).

Article PubMed Google Scholar

Sage, A. & Badura, P. Détection d'hémorragie intracrânienne dans la tomodensitométrie de la tête à l'aide d'un réseau neuronal convolutionnel à double branche, d'une machine à vecteurs de support et d'une forêt aléatoire. Appl. Sci. 10, https://doi.org/10.3390/app10217577 (2020).

Kingma, DP & Welling, M. In: Conférence internationale sur les représentations d'apprentissage. https://arxiv.org/abs/1312.6114 (2013).

Kingma, DP & Welling, M. Une introduction aux auto-encodeurs variationnels. Trouvé Tendances Mach. Apprendre. 12, 4–89 (2019).

Article Google Scholar

Goodfellow, IJ et al. Dans : Systèmes de traitement de l'information neuronale. https://arxiv.org/abs/1406.2661 (2014).

Télécharger les références

Cette étude a été financée par SK Inc. C&C. Le bailleur de fonds de l'étude a été impliqué dans la collecte, la gestion et l'analyse des données utilisées lors du développement de l'algorithme d'IA. L'auteur correspondant avait un accès complet à la plupart des ensembles de données et à toutes les estimations sommaires de chaque ensemble de données et avait la responsabilité finale de la décision de soumettre le manuscrit pour publication. Nous remercions Synex pour la coordination de l'étude.

Institute of Radiation Medicine, Seoul National University Medical Research Center, Séoul, République de Corée

Tae Jin Yun, Seung Hong Choi, Roh-Eul Yoo et In Pyeong Hwang

Département de radiologie, Hôpital universitaire national de Séoul, Séoul, République de Corée

Tae Jin Yun, Seung Hong Choi, Roh-Eul Yoo et In Pyeong Hwang

Département de radiologie, École de médecine de l'Université d'Ajou, Suwon, République de Corée

Jin Wook Choi, Miran Han et Woo Sang Jung

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

TJY et JWC ont conçu et conçu l'étude. TJY, JWC, MH, WSJ, SHC, R.-EY et IPH ont collecté et conservé les données pour le développement de l'IA. TJY et JWC ont collecté et organisé les données pour l'étude des lecteurs. TJY et JWC ont conçu le protocole d'étude des lecteurs. TJY et JWC ont effectué l'analyse statistique. TJY et JWC ont interprété les résultats de l'étude de validation. TJY et JWC ont rédigé le projet initial. Tous les auteurs ont ensuite édité le rapport. TJY et JWC ont supervisé le projet.

Correspondance avec Jin Wook Choi.

Les auteurs ne déclarent aucun intérêt concurrent.

Note de l'éditeur Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur n'importe quel support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Yun, TJ, Choi, JW, Han, M. et al. Algorithme de détection automatique basé sur l'apprentissage profond pour l'hémorragie intracrânienne aiguë : un essai clinique randomisé pivot. npj Chiffre. Méd. 6, 61 (2023). https://doi.org/10.1038/s41746-023-00798-8

Télécharger la citation

Reçu : 10 septembre 2022

Accepté : 10 mars 2023

Publié: 07 avril 2023

DOI : https://doi.org/10.1038/s41746-023-00798-8

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt