Subscribe to RSS
DOI: 10.1055/s-0040-1703365
Artificial Intelligence Algorithm Detecting Lung Infection in Supine Chest Radiographs with a Diagnostic Accuracy Similar to Board-Certified Radiologists
Publication History
Publication Date:
21 April 2020 (online)
Zielsetzung Konventionelle Thorax-Liegendaufnahmen (Supine Chest X-Ray, SCXR) sind auf Intensivstationen die am häufigsten durchgeführte Bildgebung. Wir evaluieren einen Algorithmus auf Basis künstlicher Intelligenz (KI) zur Klassifizierung von Transparenzminderungen entsprechend zugrundeliegender Pathologien: Pleuraergüsse, Zeichen einer Pneumonie sowie Atelektasen. Zeitnahe Computertomografien (CT) dienen als Referenzstandard.
Material und Methoden Das neuronale Netzwerk wurde auf öffentlichen Datensätzen (insg. 297.541 CXRs von 86.876 Patienten) trainiert. Wir identifizierten retrospektiv als unabhängigen Testdatensatz 166 Patienten, die innerhalb von 90 Minuten einen SCXR sowie eine CT ohne zwischenzeitliche Intervention erhalten haben. SCXRs wurden von o. g. Algorithmus analysiert sowie von Fachärzten seitengetrennt und gegenüber den CT-Befunden verblindet entsprechend folgender Scores evaluiert: 0: Keine Pneumonie/Kein Pleuraerguss; 1: Pneumonie/Pleuraerguss möglich, 2: Pneumonie/Pleuraerguss wahrscheinlich.
Ergebnisse Pneumonien wurden von den Radiologen mit einer maximalen diagnostischen Genauigkeit von 0,87 (95%CI 0,78-0,93) detektiert, wenn nur der Reading-Score 2 als pathologisch gewertet wurde. Die höchste Sensitivität von 0,87 (95%CI 0,76-0,94) wurde erreicht, wenn ebenfalls der Score 1 als Pneumonie gewertet wurde - dabei verschob sich der Operationspunkt auf der ROC-Kurve des Algorithmus zu höheren Sensitvitäten. Radiologen erziehlten numerisch höhere, jedoch nicht signifikant bessere Ergebnisse als der Algorithmus (AUROC 0,737/max. 0,834 mit CT/SCXRs als Referenzstandard). Hinsichtlich der Detektion von Pleuraergüssen erzielten Algorithmus (AUROC 0,740/max. 0,883 mit CT/SCXR als Referenzstandard) und Radiologen (max. Genauigkeit 0,68 mit 95%CI 0,62-0,73) vergleichbare Ergebnisse.
Schlußfolgerungen Wir erachten KI-basierte Ansätze als vieversprechend, um als Triagierungstool oder diagnostisches Entscheidungstool Radiologen bei der hohen Anzahl von SCXRs im klinischen Alltag zu unterstützen.