RSNA 2023 visar upp AI inom radiologi – Physics World

RSNA 2023 visar upp AI inom radiologi – Physics World

Tidsstämpel: 30 november 2023 8:00

Pediatrisk MR-undersökning
Diagnostisera ADHD Att använda AI-modeller för att analysera barns hjärn-MRI-skanningar kan hjälpa till att hitta avbildningsbiomarkörer som kan identifiera ADHD. (Artighet: RadiologyInfo.org)

RSNA 2023, det årliga mötet för Radiological Society of North America (RSNA) äger rum denna vecka i Chicago och visar nya forskningsframsteg och produktutvecklingar inom alla områden av radiologi. Årets evenemang inkluderar många tidningar, affischer, kurser och utbildningsutställningar fokuserade på artificiell intelligens (AI) och applikationer för maskininlärning. Här är ett litet urval av de studier som presenteras.

Fastställande av ADHD-drag från hjärn-MRI-skanningar

Attention Deficit Hyperactivity Disorder (ADHD) är ett vanligt tillstånd som påverkar en persons beteende. Barn med ADHD kan ha problem med att koncentrera sig, kontrollera impulsiva beteenden eller reglera aktivitet. Tidig diagnos och intervention är nyckeln, men ADHD är svår att diagnostisera och förlitar sig på subjektiva självrapporterade undersökningar.

Nu har ett forskarlag vid University of California San Francisco (UCSF) har använt AI för att analysera MRT-hjärnskanningar av ungdomar med och utan ADHD, och hitta signifikanta skillnader i nio hjärnans vita substanser hos individer med ADHD.

Forskarna använde hjärnavbildningsdata från 1704 individer i Adolescent Brain Cognitive Development (ABCD) Studie, inklusive ämnen med och utan ADHD. Från diffusionsvägd avbildningsdata (DWI) extraherade de fraktionerad anisotropi (FA) mätningar, ett mått på vattendiffusion längs fibrerna i vita substanser, längs 30 huvudområden i hjärnan.

De använde FA-data från 1371 individer som input för att träna en AI-modell för djupinlärning, och testade modellen på 333 patienter, inklusive 193 diagnostiserade med ADHD och 140 utan. AI-modellen fann att hos patienter med ADHD var FA-värdena signifikant förhöjda i nio vita substanser.

"Dessa skillnader i MRT-signaturer hos individer med ADHD har aldrig tidigare setts på denna detaljnivå", säger Justin Huynh, från UCSF och Carle Illinois College of Medicine i Urbana-Champaign. "I allmänhet sammanfaller de abnormiteter som ses i de nio vita ämnesområdena med symtomen på ADHD. Denna metod ger ett lovande steg mot att hitta avbildningsbiomarkörer som kan användas för att diagnostisera ADHD i en kvantitativ, objektiv diagnostisk ram."

Identifiera icke-rökare med hög risk att utveckla lungcancer

Lungcancer är den vanligaste orsaken till cancerdöd i världen. I USA rekommenderas lungcancerscreening med lågdos-CT för nuvarande eller nyligen gjorda cigarettrökare, men inte för "aldrig-rökare" - de som aldrig rökt eller rökt väldigt lite. Omkring 10–20 % av lungcancerfallen förekommer hos sådana som aldrig röker, och cancerfrekvensen i denna grupp ökar. Och utan tidig upptäckt genom screening har aldrig-rökare ofta mer avancerad lungcancer än de som röker.

Riskprediktion från lungröntgen
Riskförutsägelse A) Bröströntgen som visar en liten nodulär opacitet i den vänstra övre lungzonen. B) Icke-kontrast, lågdos CT-skanning av bröstet som visar en 9 mm solid knöl i den vänstra övre loben. (Med tillstånd: RSNA/Anika S Walia)

I syfte att förbättra denna situation har ett team vid Cardiovascular Imaging Research Center (CIRKUS) vid MGH och Harvard Medical School testar huruvida en djupinlärningsmodell attr kunde identifierar aldrig rökare med hög risk för lungcancer, baserat på rutinröntgenstrålar. "En stor fördel med vårt tillvägagångssätt är att det bara kräver en enda lungröntgenbild, vilket är ett av de vanligaste testerna inom medicin och allmänt tillgängligt i den elektroniska journalen", säger huvudförfattaren Anika Walia.

Forskarna utvecklade sin CXR-Lung-Risk-modell med hjälp av 147,497 40,643 röntgenbilder av XNUMX XNUMX asymtomatiska rökare och aldrig-rökare från PLCO cancerscreeningstudie. De validerade modellen i en separat grupp av aldrig-rökare som hade rutinmässiga lungröntgen. Av 17,407 28 patienter i studien klassificerade modellen 2.9 % som högrisk. Under sex års uppföljning utvecklade 1.3 % av den totala kohorten lungcancer. De i högriskgruppen överskred vida den XNUMX % sexåriga risktröskeln vid vilken screening rekommenderas.

Teamet noterar att efter justering för ålder, kön, ras och kliniska faktorer hade patienter i högriskgruppen fortfarande en 2.1 gånger större risk att utveckla lungcancer än de som tilldelades lågriskgruppen.

Eliminera rasfördomar vid riskbedömning av bröstcancer

Forskare vid Massachusetts General Hospital (HGH) har utvecklat en modell för djupinlärning som exakt förutsäger både duktalt karcinom in situ (DCIS) och invasivt bröstkarcinom med endast biomarkörer från mammografiska bilder. Viktigt är att den nya modellen fungerade lika bra för patienter av flera raser.

Screening mammografiundersökning
Förbättrad prestanda En riskbedömningsmodell för djupinlärning utvecklad med enbart mammografiska bilder överträffar traditionella modeller för att förutsäga framtida utveckling av bröstcancer. (Med tillstånd: RSNA)

Traditionella modeller för riskbedömning av bröstcancer uppvisar dåliga prestationer över olika raser, troligtvis på grund av befolkningsdata som används för att skapa modellen. "Flera av de vanligaste modellerna utvecklades på övervägande europeiska kaukasiska populationer", förklarar huvudförfattaren Leslie Lamb. Men enligt American Cancer Society har svarta kvinnor den lägsta 5-års relativa överlevnaden för bröstcancer bland alla ras- och etniska grupper – vilket belyser det väsentliga behovet av riskmodeller utan rasfördomar.

I en multisite-studie utvärderade Lamb och kollegor modellens prestanda för att förutsäga invasiv bröstcancer och DCIS, som är bröstcancer i ett tidigt stadium, över flera raser. De inkluderade 129,340 71,479 rutinmässiga bilaterala screeningmammografier utförda på 106,839 6154 kvinnor, med fem års uppföljningsdata. Studiegruppen inkluderade vita (6435 6257 tentor), svarta (3655 tentor) och asiatiska (XNUMX tentor) kvinnor, såväl som de som självrapporterade som andra raser (XNUMX tentor) och de av okänd ras (XNUMX tentor).

Den nya modellen överträffade konsekvent traditionella riskmodeller när det gällde att förutsäga risken att utveckla bröstcancer, och visade en prediktiv frekvens på 0.71 för både DCIS och invasiv cancer över alla raser. Modellen uppnådde ett område under ROC-kurvan (AUC) för att förutsäga DCIS på 0.77 hos icke-vita patienter och 0.71 hos vita patienter, medan för att förutsäga invasiv cancer var AUC 0.72 hos icke-vita patienter och 0.71 hos vita patienter. Teamet noterar att traditionella riskmodeller uppvisade AUC på 0.59–0.62 för vita kvinnor, med mycket lägre prestanda för andra raser.

"Modellen kan översätta hela mångfalden av subtila avbildningsbiomarkörer i mammografin, utöver vad blotta ögat kan se, som kan förutsäga en kvinnas framtida risk för både DCIS och invasiv bröstcancer", säger Lamb. "Riskmodellen för djupinlärning med enbart bild kan ge ökad tillgång till mer exakt, rättvis och billigare riskbedömning."

Tidsstämpel:

Mer från Fysikvärlden