Интерпретация рентгенограмм грудной клетки — сложная задача, и в настоящее время для этой цели разрабатываются алгоритмы искусственного интеллекта. Для их реализации важно выполнить внешнюю проверку этих алгоритмов.

К примеру, проспективное обсервационное исследование для внешней проверки алгоритма ИИ в регионе Каталонии, сравнивающее диагноз алгоритма ИИ с диагнозом референтного радиолога, считается золотым стандартом в одной из академических работ. Внешняя валидация проводилась с использованием выборки из 278 изображений и отчетов, 51,8% из которых согласно заключению рентгенолога не выявили радиологических отклонений. При анализе валидности алгоритма ИИ средняя точность составила 0,95 (95% ДИ 0,92; 0,98), чувствительность — 0,48 (95% ДИ 0,30; 0,66) и специфичность — 0,98 (95% ДИ 0,97; 0,99). Наиболее чувствительными состояниями алгоритма были наружные имплантаты, верхние отделы брюшной полости, сердечные и/или клапанные имплантаты. С другой стороны, условия, в которых алгоритм был менее чувствительным, находились в средостении, сосудах и костях. Алгоритм был проверен в условиях первичной медико-санитарной помощи и оказался полезным при идентификации изображений с заболеваниями или без них. Однако для того, чтобы стать ценным инструментом помощи и поддержки экспертам, требуется дополнительное практическое обучение для расширения диагностических возможностей некоторых анализируемых состояний. Наше исследование подчеркивает необходимость постоянного совершенствования для обеспечения эффективности алгоритма в первичной медико-санитарной помощи.

В этой области уже давно используются средства технологической поддержки, такие как компьютерная диагностика (САПР). Однако появление в последние годы моделей глубокого и машинного обучения открыло потенциал для разработки новых инструментов поддержки, направленных на преодоление основных ограничений САПР и повышение точности. Модели глубокого обучения, по сравнению с САПР, созданы для обучения и работы с большими базами данных, для постоянного улучшения с течением времени за счет обучения на ошибках, а также для способности обнаруживать более одного условия одновременно, что делает их очень полезными. более мощный, чем САПР.

В этом контексте алгоритмы искусственного интеллекта рентген, включая модели глубокого и машинного обучения, могут помочь в диагностике, потенциально повышая точность диагностики. Однако, хотя ИИ не заменит профессионалов, важно признать, что внедрение ИИ в повседневную клиническую практику должно быть безопасным и эффективным. Одна из текущих проблем заключается в том, что многие исследования по применению новых моделей ИИ представляют только проверку in silico, феномен, называемый «цифровой исключительностью», без проведения внешней проверки в реальной среде реализации. Внешняя валидация важна, поскольку позволяет оценить точность модели в популяции, отличной от обучающей популяции, выбранной в реальной клинической практике, что позволяет последующее обобщение результатов.

Недавнее исследование, проводившее внешнюю проверку алгоритма искусственного интеллекта, предназначенного для классификации рентгенограмм грудной клетки как нормальных или аномальных с использованием группы реальных изображений из двух центров первичной медико-санитарной помощи, показало, что для повышения производительности алгоритма требуется дополнительное обучение на данных из этих сред. особенно в клинических условиях, отличных от среды первоначального обучения.