ОЦЕНКА ДИАГНОСТИЧЕСКОЙ ТОЧНОСТИ СИСТЕМЫ СКРИНИНГА ТУБЕРКУЛЕЗА ЛЕГКИХ НА ОСНОВЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА


https://doi.org/10.21292/2075-1230-2018-96-8-42-49

Полный текст:


Аннотация

Цель исследования: оценить применимость системы автоматизированного выявления заболеваний органов грудной клетки для массовых периодических осмотров населения путем вычисления совокупности параметров диагностической точности.

Материалы и методы. Проведено ретроспективное диагностическое исследование. Индекс-тест (исследуемый метод) – распознавание и анализ рентгенограмм посредством программного продукта на основе сверточных нейронных сетей типа U-NET, модифицированных и обученных специальным образом. Референсный метод – двойной пересмотр ранее классифицированных рентгенограмм двумя квалифицированными врачами-рентгенологами со стажем работы 8-10 лет. Использованы две деперсонализированные выборки цифровых флюорограмм: 1 (n = 140), соотношение норма : патология ‒ 50 : 50; 2 (n = 150), соотношение норма : патология ‒ 95 : 5.

Результаты. Установлены параметры для выборок 1 и 2 соответственно: чувствительность ‒ 87,2 и 75,0%, специфичность ‒ 60,0 и 53,5%, прогностическая ценность положительного результата ‒ 68,6 и 8,3%, отрицательного ‒ 82,4 и 97,5%, площадь под характеристической кривой ‒ 0,74 и 0,64.

Выводы. Индекс-тест применим только для массовых периодических осмотров в популяциях с низкой претестовой вероятностью наличия патологии, что подтверждается значением прогностической ценности отрицательного результата (97,5%). Технология может быть рекомендована для полуавтоматизированного формирования групп риска по туберкулезу легких для последующей верификации результатов врачом-рентгенологом.


Об авторах

С. П. Морозов
ГБУЗ г. Москвы «Научно-практический центр медицинской радиологии Департамента здравоохранения Москвы».
Россия

Морозов Сергей Павлович директор.

109029, Москва, ул. Средняя Калитниковская, д. 28, стр. 1.



А. В. Владзимирский
ГБУЗ г. Москвы «Научно-практический центр медицинской радиологии Департамента здравоохранения Москвы».
Россия

Владзимирский Антон Вячеславович заместитель директора по научной работе.

109029, Москва, ул. Средняя Калитниковская, д. 28, стр. 1.



Н. В. Ледихова
ГБУЗ г. Москвы «Научно-практический центр медицинской радиологии Департамента здравоохранения Москвы».
Россия

Ледихова Наталья Владимировна заведующая учебно-консультативным отделением.

109029, Москва, ул. Средняя Калитниковская, д. 28, стр. 1.



И. А. Соколина
ГБУЗ г. Москвы «Научно-практический центр медицинской радиологии Департамента здравоохранения Москвы».
Россия

Соколина Ирина Александровна старший научный сотрудник.

109029, Москва, ул. Средняя Калитниковская, д. 28, стр. 1.



Н. С. Кульберг
ГБУЗ г. Москвы «Научно-практический центр медицинской радиологии Департамента здравоохранения Москвы».
Россия

Кульберг Николай Сергеевич руководитель отдела разработки средств медицинской визуализации.

109029, Москва, ул. Средняя Калитниковская, д. 28, стр. 1.



В. А. Гомболевский
ГБУЗ г. Москвы «Научно-практический центр медицинской радиологии Департамента здравоохранения Москвы».
Россия

Гомболевский Виктор Александрович руководитель отдела развития качества радиологии.

109029, Москва, ул. Средняя Калитниковская, д. 28, стр. 1.



Список литературы

1. Васильева И. А., Белиловский Е. М., Борисов С. Е., Стерликов С. А. Заболеваемость, смертность и распространенность как показатели бремени туберкулеза в регионах ВОЗ, странах мира и в Российской Федерации. Часть 2. Смертность от туберкулеза // Туб. и болезни легких. – 2017. – Т. 95, № 7. – С. 8-16. DOI: 10.21292/2075-1230-2017-95-7-8-16.

2. Гусев А. В. Перспективы нейронных сетей и глубокого машинного обучения в создании решений для здравоохранения // Врач и информационные технологии. – 2017. – № 3. – С. 92-105.

3. Ланге С., Уолш Д. Лучевая диагностика заболеваний органов грудной клетки: руководство, атлас / пер. с англ. под ред. С. К. Тернового, А. И. Шехтера. ‒ М.: ГЭОТАР-Медиа, 2010. ‒ 432 с.

4. Морозов С. П. Единая радиологическая информационная система // Медицина: целевые проекты. – 2016. – № 24. – С. 54-55.

5. Aguiar F. S., Torres R. C., Pinto J. V., Kritski A. L., Seixas J. M., Mello F. C. Development of two artificial neural network models to support the diagnosis of pulmonary tuberculosis in hospitalized patients in Rio de Janeiro, Brazil // Med. Biol. Eng. Comput. – 2016. – Vol. 54, № 11. ‒ Р. 1751-1759. DOI:10.1007/s11517-016-1465-1.

6. Becker A. S., Blüthgen C., Phi van V. D., Sekaggya-Wiltshire C., Castelnuovo B., Kambugu A., Fehr J., Frauenfelder T. Detection of tuberculosis patterns in digital photographs of chest X-ray images using Deep Learning: feasibility study // Int. J. Tuberc. Lung Dis. – 2018. – Vol. 22, № 3. ‒ Р. 328-335. DOI: 10.5588/ijtld.17.0520.

7. Bossuyt P. M., Reitsma J. B., Bruns D. E., Gatsonis C. A., Glasziou P. P., Irwig L., Lijmer J. G., Moher D., Rennie D., de Vet H. C., Kressel H. Y., Rifai N., Golub R. M., Altman D. G., Hooft L., Korevaar D. A., Cohen J. F. STARD 2015: An Updated List of Essential Items for Reporting Diagnostic Accuracy Studies // Radiology. – 2015. ‒ 151516.

8. Dande P., Samant P. Acquaintance to Artificial Neural Networks and use of artificial intelligence as a diagnostic tool for tuberculosis: A review // Tuberculosis (Edinb). – 2018. – Vol. 108. ‒ Р. 1-9. DOI: 10.1016/j.tube.2017.09.006.

9. Darsey J. A., Griffin W. O., Joginipelli S., Melapu V. K. Architecture and biological applications of artificial neural networks: a tuberculosis perspective // Methods Mol. Biol. – 2015. – № 1260. ‒ Р. 269-283. DOI: 10.1007/978-1-4939-2239-0_17.

10. de O. Souza Filho J. B., de Seixas J. M., Galliez R., de Bragança Pereira B., de Q. Mello F. C., Dos Santos A. M., Kritski A. L. A screening system for smear-negative pulmonary tuberculosis using artificial neural networks // Int. J. Infect. Dis. – 2016. – Vol. 49. ‒ Р. 33-39. DOI: 10.1016/j.ijid.2016.05.019.

11. El-Solh A. A., Hsiao C. B., Goodnough S., Serghani J., Grant B. J. Predicting active pulmonary tuberculosis using an artificial neural network // Chest. – 1999. – Vol. 116, № 4. ‒ Р. 968-973.

12. Elveren E., Yumuşak N. Tuberculosis disease diagnosis using artificial neural network trained with genetic algorithm // J. Med. Syst. ‒ 2011. ‒ Vol. 35, № 3. ‒ Р. 329-332. DOI: 10.1007/s10916-009-9369-3.

13. Er O., Temurtas F., Tanrikulu A. C. Tuberculosis disease diagnosis using artificial neural networks // J. Med. Syst. – 2010. – Vol. 34, № 3. ‒ Р. 299-302.

14. Gao X. W., Qian Y. Prediction of multidrug-resistant TB from CT pulmonary images based on deep learning techniques // Mol. Pharm. – 2018. DOI: 10.1021/acs.molpharmaceut.7b00875.

15. Hwang S., Kim H. E., Jeong J., Kim H. J. A novel approach for tuberculosis screening based on deep convolutional neural networks. Proc. SPIE 9785 // Med. Imaging. ‒ 2016. – Computer-Aided Diagnosis, 97852W. DOI:10.1117/12.2216198.

16. Lakhani P., Sundaram B. Deep learning at chest radiography: automated classification of pulmonary tuberculosis by using convolutional neural networks // Radiology. – 2017. – Vol. 284, № 2. ‒ Р. 574-582. DOI: 10.1148/radiol.2017162326.

17. Lopes U. K., Valiati J. F. Pre-trained convolutional neural networks as feature extractors for tuberculosis detection // Comput Biol Med. – 2017. – Vol. 89. ‒ Р. 135-143. DOI: 10.1016/j.compbiomed.2017.08.001.

18. Mohamed E. I., Mohamed M. A., Moustafa M. H., Abdel-Mageed S. M., Moro A. M., Baess A. I., El-Kholy S. M. Qualitative analysis of biological tuberculosis samples by an electronic nose-based artificial neural network // Int. J. Tuberc. Lung Dis. – 2017. – Vol. 21, № 7. ‒ Р. 810-817. DOI: 10.5588/ijtld.16.0677.

19. Morozov S., Ranschaert E. Why Europeans must care more about AI, machine learning (2017) – Available at: https://www.auntminnieeurope.com/index.aspx?sec=def&pno=24 (accessed 7 May 2018)

20. Seixas J. M., Faria J., Souza Filho J. B., Vieira A. F., Kritski A., Trajman A. Artificial neural network models to support the diagnosis of pleural tuberculosis in adult patients // Int. J. Tuberc. Lung Dis. – 2013. – Vol. 17, № 5. ‒ Р. 682-686.

21. Shamshirband S., Hessam S., Javidnia H., Amiribesheli M., Vahdat S., Petković D., Gani A., Kiah M. L. M. Tuberculosis disease diagnosis using artificial immune recognition system // Int. J. Med. Sci. – 2014. – Vol. 11, № 5. ‒ Р. 508-514. DOI: 10.7150/ijms.8249.

22. Ting D. S. W., Yi P. H., Hui F. Clinical applicability of deep learning system in detecting tuberculosis with chest radiography // Radiology. – 2018. – Vol. 286, № 2. ‒ Р. 729-731. DOI: 10.1148/radiol.2017172407.

23. Viktor H. L., Cloete I., Beyers N. Extraction of rules for tuberculosis diagnosis using an artificial neural network // Methods Inf. Med. – 1997. – Vol. 36, № 2. ‒ Р. 160-162.

24. Vladzymyrskyy A., Mozgovoy V., Bondarenko S. A telemedicine network for managing multidrug-resistant tuberculosis // J. Telemed. Telecare. – 2014. – Vol. 20, № 2. ‒ Р. 113-114. DOI:10.1177/1357633X13519054.


Дополнительные файлы

Для цитирования: Морозов С.П., Владзимирский А.В., Ледихова Н.В., Соколина И.А., Кульберг Н.С., Гомболевский В.А. ОЦЕНКА ДИАГНОСТИЧЕСКОЙ ТОЧНОСТИ СИСТЕМЫ СКРИНИНГА ТУБЕРКУЛЕЗА ЛЕГКИХ НА ОСНОВЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА. Туберкулез и болезни легких. 2018;96(8):42-49. https://doi.org/10.21292/2075-1230-2018-96-8-42-49

For citation: Morozov S.P., Vladzimirskiy A.V., Ledikhova N.V., Sokolina I.A., Kulberg N.S., Gombolevskiy V.A. EVALUATION OF DIAGNOSTIC ACCURACY OF THE SYSTEM FOR PULMONARY TUBERCULOSIS SCREENING BASED ON ARTIFICIAL NEURAL NETWORKS. Tuberculosis and Lung Diseases. 2018;96(8):42-49. (In Russ.) https://doi.org/10.21292/2075-1230-2018-96-8-42-49

Просмотров: 203

Обратные ссылки

  • Обратные ссылки не определены.


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2075-1230 (Print)
ISSN 2542-1506 (Online)