Potencial da radiografia torácica digital baseada em deep learning na triagem e no diagnóstico de pneumoconiose: Um estudo observacional

O diagnóstico de pneumoconiose é complexo e subjetivo, levando a uma variabilidade inevitável nas leituras. Isso é especialmente verdadeiro para médicos inexperientes. Para melhorar a precisão, um sistema de diagnóstico assistido por computador é utilizado para diagnósticos de pneumoconiose mais eficazes. Três modelos (Resnet50, Resnet101 e DenseNet) foram utilizados para a classificação da pneumoconiose com base em 1250 imagens de radiografias torácicas. Três médicos experientes e altamente qualificados analisaram as imagens de radiografia digital coletadas e as classificaram da categoria 0 à categoria III de maneira duplo-cega. Os resultados dos 3 médicos em concordância foram considerados os padrões de referência relativos. Subsequentemente, 3 modelos foram utilizados para treinar e testar essas imagens e seu desempenho foi avaliado usando métricas de classificação multiclasse. Usamos valores kappa e precisão para avaliar a consistência e confiabilidade do modelo ótimo com tipificação clínica. Os resultados mostraram que o ResNet101 foi o modelo ótimo entre as 3 redes neurais convolucionais. A AUC do ResNet101 foi 1.0, 0.9, 0.89 e 0.94 para a detecção das categorias de pneumoconiose 0, I, II e III, respectivamente. Os valores médios de AUC de micro-média e macro-média foram 0.93 e 0.94, respectivamente. A precisão e os valores Kappa do ResNet101 foram 0.72 e 0.7111 para classificação quádrupla e 0.98 e 0.955 para classificação dicotômica, respectivamente, em comparação com a classificação padrão relativa da clínica. Este estudo desenvolve um modelo baseado em deep learning para triagem e estadiamento da pneumoconiose usando radiografias torácicas. O modelo ResNet101 apresentou desempenho relativamente melhor na classificação da pneumoconiose do que radiologistas. A classificação dicotômica apresentou desempenho excepcional, indicando assim a viabilidade das técnicas de deep learning na triagem da pneumoconiose.