חוקרים מאוניברסיטת סאות'המפטון פיתחו כלי אינטליגנציה מלאכותית (AI) שיכול לזהות חפצים שקשה לראותם תקועים בדרכי הנשימה של החולים בצורה טובה יותר מאשר רדיולוגים מומחים.
במחקר שפורסם ב npj רפואה דיגיטלית, מודל הבינה המלאכותית התגבר על רדיולוגים בבדיקת סריקות CT עבור אובייקטים שאינם מופיעים היטב בסריקות.
חפצים אלו שנשאפו בטעות עלולים לגרום לשיעול, חנק, קשיי נשימה ולעיתים להוביל לסיבוכים חמורים יותר אם אינם מטופלים כראוי.
הממצאים מדגישים כיצד בינה מלאכותית יכולה לתמוך ברופאים באבחון מצבים מורכבים ועלולים לסכן חיים.
את המחקר הובילו ד"ר יהוא וואנג, ד"ר זהור בלקהטיר ופרופ' רוב יואינג מאוניברסיטת סאות'המפטון בשיתוף חוקרים מווהאן, סין.
"חפצים אלה יכולים להיות עדינים ביותר וקל לפספס אותם, אפילו עבור קלינאים מנוסים", אמר חוקר הדוקטורט Zhe Chen, מחבר ראשון במחקר מאוניברסיטת סאות'המפטון.
"מודל הבינה המלאכותית שלנו פועל כמו קבוצה שנייה של עיניים, ועוזר לרדיולוגים לזהות את המקרים הנסתרים הללו מוקדם יותר ובאופן אמין יותר."
שאיבת גוף זר (FBA) מתרחשת כאשר חפץ, לרוב מזון או חתיכת חומר קטנה, ננעץ בדרכי הנשימה.
כאשר החפצים, כגון חומר צמחי או קונכיות סרטנים, הם רדיוסורים (בלתי נראים בצילומי רנטגן ומתעלפים אפילו בסריקות CT), יכול להיות קשה מאוד לזהות. זה מוביל לעתים קרובות לאבחון החמצה או עיכוב, מה שמעמיד את החולים בסיכון לסיבוכים חמורים. עד 75 אחוז ממקרי ה-FBA במבוגרים כוללים גופים זרים רדיוקונטיים.
כדי להתמודד עם אתגר זה, צוות המחקר יצר מודל למידה עמוקה. הוא משלב טכניקת מיפוי דרכי אוויר (MedpSeg) ברמת דיוק גבוהה עם רשת עצבית המנתחת תמונות CT עבור סימנים נסתרים של גופים זרים.
המודל הוכשר ונבדק באמצעות שלוש קבוצות חולים עצמאיות, המורכבות מלמעלה מ-400 חולים, בשיתוף עם בתי חולים בסין.
כדי להעמיד את המודל למבחן, החוקרים השוו את הביצועים שלו לזה של שלושה רדיולוגים מומחים, כל אחד עם למעלה מעשר שנות ניסיון קליני. המשימה הייתה לבחון 70 סריקות CT, 14 מהן היו מקרים של FBA רדיו-לוצנטי, שאושרו על ידי ברונכוסקופיה.
כאשר הרדיולוגים זיהו מקרה של FBA רדיו-לוצנטי, הם עשו זאת בדיוק מוחלט – לא היו תוצאות חיוביות שגויות. לשם השוואה, מודל הבינה המלאכותית עשה זאת בדיוק של 77 אחוז, וזיהה כמה תוצאות חיוביות שגויות.
עם זאת, הרדיולוגים החמיצו חלק גדול ממקרי ה-FBA, זיהו רק 36 אחוז מהם והדגישו את הקושי שיש לבני אדם לאתר מקרים כאלה. מודל הבינה המלאכותית, לעומת זאת, הצליח לזהות 71 אחוז מהמקרים, כלומר הרבה פחות מקרי FBA חמקו דרך הרשת.
בציון F1, שמאזן בין דיוק וזיכרונות, המודל עלה על הרדיולוגים עם ציון של 74 אחוז לעומת 53 אחוז.
התוצאות מדגימות את הפוטנציאל האמיתי של AI ברפואה, במיוחד עבור מצבים שקשה לאבחן באמצעות הדמיה סטנדרטית."
ד"ר Yihua Wang, המחבר הראשי של המחקר
החוקרים מדגישים כי המערכת נועדה לסייע, לא להחליף, רדיולוגים – מתן רובד נוסף של אמון במקרים מורכבים או לא ודאיים.
החוקרים שואפים כעת לבצע מחקרים רב-מרכזיים עם אוכלוסיות גדולות ומגוונות יותר כדי לשפר את המודל ולהפחית את הסיכון להטיה.
הנייר זיהוי אוטומטי של שאיבת גוף זר רדיו-לוצנטי ב-CT חזה באמצעות למידה עמוקה מתפרסם ב npj רפואה דיגיטלית והוא זמין באינטרנט.
המחקר נתמך על ידי המועצה למחקר רפואי בבריטניה ומועצת המלגות של סין.
