AppendiGrade: An XAI-Enhanced Deep Learning Framework for Grading Appendicitis in Ultrasound with Gaussian Blur and Grad-CAM

In de wereld van de geneeskunde is de plotselinge, scherpe pijn van appendicitis een veelvoorkomende noodsituatie die snelle actie vereist. Als de ontstoken appendix barst, kan dit leiden tot levensbedreigende complicaties, waardoor vroege en nauwkeurige diagnose cruciaal is. Hoewel artsen al lang vertrouwen op beeldvormende instrumenten om in het lichaam te kijken, onderscheidt echografie zich als een bijzonder waardevolle methode omdat het geluidsgolven gebruikt in plaats van straling, wat het veiliger en toegankelijker maakt voor patiënten. Het bekijken van deze beelden is echter niet altijd eenvoudig. Het onderscheiden tussen een simpel geval van ontsteking en een gevaarlijkere situatie, zoals een gebarsten appendix of een infectiehaard, vereist een hooggetraind oog en kan tijdrovend zijn. Hier biedt het snijvlak van geneeskunde en informatica een nieuw pad vooruit, waarbij kunstmatige intelligentie wordt gebruikt om artsen te helpen zien wat ze anders wellicht zouden missen.

Een team van onderzoekers zette zich het doel om een computersysteem te bouwen dat in staat is deze echografiebeelden te lezen en automatisch het specifieke type appendicitis te identificeren dat aanwezig is. Ze richtten zich op vijf afzonderlijke categorieën: een normale, gezonde appendix; acute ontsteking; een geperforeerde appendix waarbij een gat is ontstaan; een abces, wat een verzameling pus is; en een appendicolith, een harde, steenachtige afzetting in het orgaan. Om hun computer te leren, verzamelde het team een grote collectie van 4.679 echografiebeelden, die elk zorgvuldig door een gecertificeerd arts waren gelabeld om ervoor te zorgen dat de computer leerde van correcte informatie. Ze begonnen door deze ruwe beelden in vier verschillende bestaande computermodellen te voeren, die als digitale hersenen fungeren die ontworpen zijn om patronen te herkennen. Aanvankelijk waren de resultaten teleurstellend. De modellen hadden moeite om de beelden te begrijpen en behaalden een nauwkeurigheid van slechts ongeveer 69 procent, wat betekende dat ze vaker dan een derde van de tijd fout zaten. De beelden bevatten te veel visuele ruis en misten het duidelijke contrast dat de computer nodig heeft om de verschillende soorten ontstekingen te onderscheiden.

Toen de onderzoekers beseften dat de ruwe data de flessenhals vormde, besloten ze de beelden op te schonen voordat ze ze aan de computer lieten zien. Ze pasten een proces toe dat eerst de korrelige ruis gladstrijkte, vergelijkbaar met het vervagen van een foto om storende spikkels te verwijderen, en vervolgens de randen verscherpte om de grenzen van de organen duidelijk te laten uitkomen. Ze pasten ook de interne instellingen van de computermodellen aan, waarbij ze de instellingen verfijnden voor de mate waarin het systeem van elk nieuw voorbeeld leerde. Deze combinatie van het opschonen van de beelden en het afstemmen van de instellingen van de machine transformeerde de resultaten. Het systeem dat het beste presteerde, een model bekend als InceptionV3, zag zijn nauwkeurigheid spectaculair stijgen van 69 procent naar 95,58 procent. Het werd zeer betrouwbaar en identificeerde de conditie in bijna elk geteste geval correct.

De onderzoekers stopten niet bij het vinden van het juiste antwoord; ze wilden begrijpen hoe de computer tot zijn conclusie kwam. Hiervoor gebruikten ze een techniek die een visuele kaart creëert, waarbij de specifieke gebieden van de echografiebeelden worden geaccentueerd waar de computer zich op concentreerde om zijn beslissing te nemen. Wanneer ze naar deze kaarten keken, zagen ze dat de computer inderdaad naar de juiste delen van het lichaam keek, zoals de ontstoken appendix of het omliggende vocht, in plaats van te gokken op basis van willekeurige patronen. Deze transparantie is cruciaal, omdat het een menselijke arts in staat stelt snel te verifiëren of de computer naar de juiste zaken kijkt. De studie toonde aan dat hoewel andere modellen goed presteerden, dit specifieke model het meest consistent en betrouwbaar was, wat aantoont dat kunstmatige intelligentie met de juiste voorbereiding van gegevens een krachtig hulpmiddel kan worden om de subtiele verschillen tussen abdominale noodgevallen te onderscheiden. Het werk suggereert dat dergelijke systemen op een dag medische professionals kunnen ondersteunen door gebieden van belang te markeren op echografiebeelden, waardoor een tweede mening wordt geboden die snel, consistent en geworteld is in het visuele bewijs van het beeld zelf.