Automatisierte Triagierung von Brust-Röntgenbildern bei Erwachsenen mit tiefen künstlichen neuronalen Netzwerken

Zweck: Entwicklung und Test eines künstlichen Intelligenz (KI) Systems, basierend auf tiefen konvolutionalen neuronalen Netzwerken (CNNs), zur automatisierten Echtzeit-Triagierung von Brust-Röntgenbildern bei Erwachsenen anhand der Dringlichkeit der bildgebenden Erscheinungen. Materialien und Methoden: Ein KI-System wurde unter Verwendung von 470.388 vollständig anonymisierten institutionellen Brust-Röntgenbildern bei Erwachsenen, die von 2007 bis 2017 erfasst wurden, entwickelt. Die Freitext-Radiologieberichte wurden mithilfe eines hauseigenen Natural Language Processing (NLP) Systems, das die radiologische Sprache modelliert, vorverarbeitet. Das NLP-System analysierte den Freitextbericht, um jedes Röntgenbild als kritisch, dringend, nicht dringend oder normal zu priorisieren. Ein KI-System für Computer Vision, das ein Ensemble aus zwei tiefen CNNs verwendete, wurde dann mithilfe von etikettierten Röntgenbildern trainiert, um die klinische Priorität nur aus den radiologischen Erscheinungen abzuleiten. Die Leistungsfähigkeit des Systems bei der Priorisierung von Röntgenbildern wurde in einer Simulation mit einem unabhängigen Datenset von 15.887 Röntgenbildern getestet. Die Vorhersageleistung wurde mit der Fläche unter der Receiver Operating Characteristic (ROC) Kurve bewertet; Sensitivität, Spezifität, positiver prädiktiver Wert (PPV) und negativer prädiktiver Wert (NPV) wurden ebenfalls bestimmt. Die nichtparametrische Prüfung der Verbesserung der Zeit bis zum endgültigen Bericht wurde auf einem nominellen Signifikanzniveau von 5% vorgenommen. Ergebnisse: Normale Brust-Röntgenbilder wurden von unserem KI-System mit einer Sensitivität von 71%, einer Spezifität von 95%, einem PPV von 73% und einem NPV von 94% erkannt. Die durchschnittliche Berichtsverzögerung wurde im Vergleich zu historischen Daten von 11,2 auf 2,7 Tage für kritische bildgebende Befunde (P < .001) und von 7,6 auf 4,1 Tage für dringende bildgebende Befunde (P < .001) in der Simulation reduziert. Schlussfolgerung: Die automatisierte Echtzeit-Triagierung von Brust-Röntgenbildern bei Erwachsenen unter Verwendung eines künstlichen Intelligenzsystems ist machbar und bietet eine klinisch akzeptable Leistung. © RSNA, 2019 Online-Supplementarmaterial ist für diesen Artikel verfügbar. Siehe auch den redaktionellen Beitrag von Auffermann in dieser Ausgabe.