Plaušu bojājumu radioloģiskās atradnes izvērtējums mākslīgā intelekta un radiologa skatījumā pacientiem ar klīniskām aizdomām vai apstiprinātu COVID-19 koronavīrusa saslimšanu Latvijā

Abstract

Pēc Pasaules Veselības organizācijas datiem kopš pandēmijas sākuma kopējais ar Covid-19 saslimušo cilvēku skaits pārsniedz 500 miljonus. Mākslīgais intelekts (MI) paver plašas iespējas Covid-19 infekcijas izraisīto plaušu bojājumu diagnostikā, kas var uzlabot un atvieglojot radiologa darbu veicinot gan izmeklējuma specifitātes, gan sensitivitātes izvērtēšanas iespējas. Šī pētījuma galvenais mērķis bija salīdzināt MI un radiologa atradnes precizitāti Covid-19 radītā plaušu bojājuma izvērtēšanā un noteikt interpretācijas ierobežojumus un priekšrocības klīniskā kontekstā. Savukārt darba uzdevumi bija iepazīties un apkopot datus ar jaunāko literatūru par MI pielietošanas iespējām medicīnā. Apkopot pacientu datus, izveidojot datubāzi un analizēt MI un radiologa izvērtēto krūšukurvja CT izmeklējumu atradni. Pētījuma rezultāti uzrādīja, ka MI analizētajos datos, sniegtais kopējais plaušu bojājums statistiski nozīmīgi spēja prognozēt sliktāku slimības iznākumu (p<0,001, AUC=0,75), tajā skaitā klīniski smagas slimības formas attīstību (p<0,001, AUC=0,79). Izvērtējot kopējo bojājumu apjomu MI analizētajos datos, dominē vieglas pakāpes bojājums, (55,5%) savukārt radiologa vērtējumā dominēja vidējas pakāpes bojājums (51,2%).Gan radiologa, gan MI vērtējumā visbiežāk tika novērota labās apakšējās plaušu daivas iesaiste (91% un 72%), savukārt biežākā pazīme bija matstikla tipa aizēnojums, dominējot labajā vidusdaivā (radiologs – 89%, MI – 74%, p<0,00) un kreisajā augšdaivā (radiologs – 85%, MI – 82%, p<0,00). Gan MI, gan radiologs atzīmēja, ka bojājums galvenokārt lokalizēts bilaterāli (84,1% un 91%), kas apliecina, ka MI spēj identificēt Covid-19 slimībai raksturīgo atradni natīvā plaušu CT izmeklējumā, kuru procentuālais sadalījums ir pielīdzināms gan radiologa, gan pasaulē minētajos literatūras avotos, uzrādot salīdzinošu augstu sensitivitāti (80%), vidēju precizitāti (60%) un specifitāti 28% apmērā. MI salīdzinoši precīzi spēja noteikt bojājumu lokalizāciju – spēja diferencēt iesaistītās daivas, kur pierādījās tā efektivitāte, tomēr nozīmīgi atšķīrās bojājuma apjoms un pazīmju iesaiste, kas var būtiski mainīt paredzamo prognozi un novest pie nepiemērotas terapijas taktikas izvēles līdz pat 40% gadījumu (28% pārvērtējot un 12% gadījumu nenovērtējot bojājumu).

Since the start of pandemic more than 500 million people have been diagnosed with Covid-19. Artificial intelligence (AI) opens up a wide range of possibilities for diagnosing lung damage caused by Covid-19 infection, which can improve and facilitate the work of a radiologist. The aim of this study was to compare the accuracy of AI and radiologist assessment to assess the limitations and benefits of Covid-19-induced lung damage in a clinical context. collect information about AI application possibilities in medicine. Tasks included to collect patient data, creating a database and summarizing the chest CT examination analyzed and radiologically evaluated by the AI and experienced radiologist. Evaluate AI diagnostic effectiveness and correlation with disease outcome. The results showed that total score of lung damage determed by AI could statistically significantly predict worse disease outcome (p <0.001, AUC = 0.75), including the development of clinically severe disease (p <0.001, AUC = 0.79). When evaluating the total amount of lesions, the data analyzed by MI were dominated by mild damage (55.5%), while the radiologist's evaluation was dominated by moderate damage (51.2%). Involvement of the right lower lobe was most frequently observed in both radiologist and AI (91% and 72%, respectively), while the most common feature was ground glass opacity, predominant in the right middle lobe (radiologist - 89%, AI - 74%). Both, the AI and the radiologist noted that the lesion was mainly localized bilaterally (84.1% and 91%, respectively). AI has shown that it is able to identify a Covid-19 disease-specific findings in a native lung CT scan with percentage distribution comparable with both the radiologist's and the world's literature, showing relatively high sensitivity (80%) with medium accuracy (60%) and specificity of 29%. AI was able to determine lesions relatively accurately, however, compared to the radiologist's assessment, there were significant differences in the extent of the lesion and the involvement of symptoms, which could be observed in 40% of cases.