Модели глубокого обучения могут помочь при клиническом подозрении на жестокую травму головы
2023-07-31 16:41
Согласно недавно опубликованному диагностическому исследованию в журнале Jama Network Open, кровоизлияние в сетчатку (RH) считается «убедительным доказательством» насильственной травмы головы (AHT) у детей, но часто не обнаруживается при обычной компьютерной томографии (КТ). Анализ глазных яблок на КТ головы у детей может предсказать наличие резус-артрита. Встроенная в программное обеспечение для анализа КТ-изображений модель глубокого обучения может калибровать клинические подозрения на AHT, помогая определить, какие пациенты срочно нуждаются в обследовании глазного дна.
Для исключения ряда внутричерепных аномалий у младенцев и детей раннего возраста КТ обычно используется в отделениях неотложной помощи (НП). Однако визуализация RH в настоящее время часто не может быть идентифицирована, если они не являются «исключительно» большими. Выявление RH считается неотъемлемой частью оценки AHT, но требует расширенного осмотра глазного дна, что требует специализированной подготовки и не всегда доступно. Вследствие этого, расширенное исследование глазного дна часто проводится только у пациентов с наибольшей вероятностью насильственной травмы. АГТ у младенцев и детей младшего возраста связана с тяжелой инвалидностью в 40% случаев и смертностью в 25%.
Глубокое обучение представляет собой перспективный подход к улучшению диагностики АГТ путем анализа изображений и прогнозной аналитики, а также поддержки принятия клинических решений. В исследовании была предпринята попытка применить глубокое обучение для анализа педиатрических КТ головы с целью предсказать наличие или отсутствие RH. Компьютерное зрение способно выявлять особенности, которые не всегда видны при визуальном осмотре человеком.
В ходе исследования было проанализировано 301 пациента в возрасте до 3 лет. Медиана возраста составила 4,6 месяца. Для оценки модели глубокого обучения использовались данные КТ головы пациентов с размеченными глазными яблоками. Модель глубокого обучения показала хорошие результаты с чувствительностью 79,6%, специфичностью 79,2% и точностью 68,6%. Эти результаты подтверждают возможность использования глубокого обучения для предсказания наличия или отсутствия RH в глазных яблоках на КТ головы у детей, что может помочь клиницистам принимать более обоснованные решения и снижать количество пропущенных случаев АГТ.
Для оценки модели глубокого обучения в данном исследовании использовались аксиальные срезы 218 сегментированных глазных яблок с правой стороны и 384 глазных яблок без правой стороны. Кроме того, были оценены две дополнительные модели машин для повышения градиента света (GBM). В одной модели использовались общие данные о мозге в AHT и демографические характеристики, в то время как другая модель объединяла предсказание риска глубокой обучающей модели, а также те же демографические характеристики и результаты исследования мозга. Для предсказания наличия или отсутствия RH в глазных яблоках оценивали чувствительность (отзыв), точность, прецизионность, специфичность, показатель F1 и площадь под кривой (AUC). Области, которые оказывали влияние на прогнозы модели глубокого обучения, были визуализированы на картах значимости, а «вклад демографических и стандартных характеристик КТ был оценен с помощью аддитивного объяснения Шепли».
В ходе исследования у 120 (39,3%) пациентов при осмотре глазного дна была выявлена резистентность. Ниже представлены результаты работы модели глубокого обучения: чувствительность 79,6%; специфичность 79,2%; точность 68,6%; отрицательная прогностическая ценность, 87,1%; точность 79,3%; оценка F1, 73,7%; и AUC, 0,83 (95% ДИ, 0,79-0,93). Для модели общего легкого ГБМ значения AUC составили 0,80 (95% ДИ, 0,69–0,91). AUC для комбинированной модели легкого GBM составили 0,86 (95% ДИ, 0,79–0,93). Специфичность комбинированных моделей легкого GBM и глубокого обучения была выше по сравнению с моделью легкого GBM. По словам авторов, во всех моделях чувствительность была одинаковой.
В диагностическом исследовании авторы пришли к выводу, что информация о RH присутствует в КТ головы, к которой можно получить доступ с помощью анализа изображений с глубоким обучением. Различив резус-фактор на КТ головы, клиницисты, работающие в узкоспециализированных средах, могут быть уверены в продвижении исследования АГТ и снижении количества пропущенных случаев, используя объективный и менее предвзятый диагностический метод.