Computer-gestützte Detektionssysteme (CAD) für die automatisierte Auswertung von Brust-Röntgenaufnahmen (CXRs) wurden entwickelt und für die Tuberkulose-Triage bei Erwachsenen genehmigt, jedoch nicht bei Kindern. CXR ist jedoch häufig das einzige ergänzende Hilfsmittel zur klinischen Beurteilung bei der Evaluation von pädiatrischer Tuberkulose in der primären Versorgungsumgebung, und Kinder würden von CAD-Modellen profitieren, die ihre einzigartigen klinischen und radiografischen Merkmale erkennen können. Um CAD für die Tuberkulose bei Kindern voranzubringen, sind große, vielfältige pädiatrische CXR-Datensätze erforderlich, die mit standardisierten Tuberkuloseklassifikationen verknüpft sind. Diese Datensätze würden genutzt werden, um pädiatriespezifische Modelle für das Screening, die Diagnose und die Schweregradstratifizierung von Tuberkulose zu trainieren und zu validieren. Frühere Studien zu CAD-Algorithmen für das Lesen von pädiatrischen CXRs haben vielversprechende Ansätze hervorgehoben, einschließlich der Verwendung von Transferlernen mit bestehenden Deep-Learning-Modellen. Die Einbeziehung von Daten von Kindern in CAD-Modelle ist entscheidend, um Gerechtigkeit zu verbessern und die globale Belastung durch die Tuberkulose zu reduzieren.
Dupont et al. (Fri,) haben diese Frage untersucht.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: