Convolutional Neural Network-Based Model to Differentiate Distal Ureteral Stones, Vascular Calcification, and Normal Cases
Deze studie ontwikkelde en evalueerde een convolutioneel neuraal netwerkmodel dat getraind was op CT-beelden zonder contrast en dat een hoge nauwkeurigheid (94,6%) en uitstekende discriminerende prestaties behaalde bij het differentiëren tussen distale ureterstenen, vasculaire verkalkingen en normale gevallen om radiologen te ondersteunen bij klinische besluitvorming.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een detective bent die een mysterie probeert op te lossen binnen het menselijk lichaam. De plaats delict is de onderbuik, en de dader is een klein, hard knobbeltje dat mogelijk pijn veroorzaakt. In de medische wereld gebruiken artsen een speciaal soort röntgenfoto, een CT-scan, om een beeld van dit gebied te maken. Maar hier komt de lastige kwestie: het lichaam is een drukke buurt. De buis die urine vervoert (de ureter) loopt vlak naast bloedvaten. Soms zit er een harde steen vast in de buis, maar soms wordt een bloedvat ook een beetje hard en bobbelig (verkalkt) of zit er een piepklein steentje in (een phlebolith). Voor het blote oog, kijkend naar een plat, zwart-wit beeld, kunnen deze drie dingen — de steen, de bult in het bloedvat en normaal weefsel — bijna exact hetzelfde lijken. Het is alsoal proberen het verschil te zien tussen een echte appel, een wassen appel en een rode bal door alleen naar een wazige foto te kijken.
Lange tijd hebben artsen moeten turen en gokken, waarbij ze op zoek gingen naar minuscule aanwijzingen zoals een "halo" van zacht weefsel of een "comet tail" van licht om te ontdekken wat ze precies zagen. Maar soms raken zelfs de beste detectives in de war. Hier komt een nieuw soort helper in beeld: een computerbrein dat een Convolutional Neural Network wordt genoemd, of kortweg CNN. Denk aan een CNN als een superobservante student die miljoenen plaatjes heeft bestudeerd. In plaats van alleen naar het hele beeld te kijken, leert deze student kleine patronen, texturen en vormen te herkennen die mensen misschien missen. De grote vraag die dit artikel stelt is: kunnen we deze computerstudent leren om een betere detective te worden dan de menselijke detectives, specifiek bij het onderscheiden van een pijnlijke uretersteen van een onschuldige bult in een bloedvat in het bekken?
Dit artikel vertelt het verhaal van een team onderzoekers die besloten om precies die digitale detective te bouwen en te testen. Ze verzamelden een enorme collectie CT-scans van patiënten die naar een urologisch centrum waren gestuurd omdat men vermoedde dat zij nierstenen hadden. Om ervoor te zorgen dat de computer de juiste lessen leerde, keken menselijke experts — radiologen met meer dan tien jaar ervaring — eerst naar elk afzonderlijk beeld en labelden deze. Ze deelden de beelden in vier duidelijke groepen in: 1) een duidelijk geval van een uretersteen, 2) een geval van vasculaire calcificatie (een hard bloedvat), 3) een lastig geval waarbij een steen en een hard vat vlak naast elkaar liggen, en 4) een volledig normaal geval zonder harde knobbels.
De onderzoekers voedden vervolgens hun computermodel met deze gelabelde plaatjes, dat gebouwd was met een beroemde architectuur genaamd ResNet101. Stel je dit model voor als een diepe, meerlagige tunnel waar het beeld door vele filters gaat, waarbij het bij elke stap slimmer wordt. Om er zeker van te zijn dat de computer niet gewoon de antwoorden uit het hoofd leerde, maar ook echt de regels begreep, gebruikte het team een slimme trainingsmethode genaamd "vijfvoudige kruisvalidatie" (five-fold cross-validation). Het is alsof je een klas studenten neemt, ze in vijf groepen splitst, en vier groepen laat studeren terwijl de vijfde groep een toets maakt, en dit vervolgens roteert zodat iedereen een beurt krijgt om te studeren en te testen. Ze moesten ook de kaarten eerlijk schudden, zodat de computer een gelijk aantal voorbeelden zag voor elk van de vier typen gevallen, zodat hij niet bevooroordeeld zou raken richting de meest voorkomende variant.
De resultaten van dit digitale detectivewerk waren zeer indrukwekkend. Het computermodel slaagde erin om het type verkalking in de testbeelden te identificeren met een algehele nauwkeurigheid van 94,6%. Wanneer de onderzoekers nauwkeuriger keken naar hoe goed het presteerde voor elke specifieke groep, waren de cijfers nog steeds erg hoog: het was 93,2% sensitief (wat betekent dat het zelden een steen miste) en 95,1% specifiek (wat betekent dat het zelden een onschuldige bult voor een steen aanzag). Het vermogen van het model om de verschillende categorieën te onderscheiden werd gemeten met een score genaamd Area Under the Curve (AUC), waarbij een perfecte score 1,0 is. Het model scoorde 0,97 voor stenen, 0,95 voor vasculaire calcificatie, 0,94 voor de gemengde gevallen en 0,96 voor normale gevallen. Deze cijfers suggereren dat het model uitstekend is in het maken van het onderscheid.
Het artikel is echter voorzichtig om niet te beweren dat de computer het mysterie voor altijd heeft opgelost. De auteurs wijzen erop dat hoewel het model beter presteerde dan het gemiddelde van zeven menselijke radiologen in hun studie, noch de computer, noch de mensen een perfecte score van 100% haalden. Dit betekent dat zelfs met dit krachtige nieuwe instrument, artsen nog steeds het hele plaatje moeten bekijken en de andere symptomen van de patiënt moeten overwegen om zeker te zijn. De studie merkt ook op dat het een "retrospectieve" blik op oude gegevens was, wat betekent dat de computer werd getest op oude foto's, en nog niet op echte patiënten in real-time. De onderzoekers suggereren dat hoewel deze CNN-gebaseerde aanpak een krachtige nieuwe assistent is die het vertrouwen van een arts kan vergroten, het geen toverstaf is die de noodzaak voor menselijk oordeel en klinische context vervangt. De toekomst, zeggen zij, kan eruit bestaan door deze beeld-slimme computer te combineren met andere gegevens, zoals bloedonderzoek, om de diagnose nog scherper te maken.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.