Real-time detection of High-Risk Laryngeal Lesions using Laryngoscopic Image-Based AI-Assisted Triage: A Comparative Study of Multiple Vision Foundation Models
Deze studie toont aan dat een AI-model gebaseerd op het DINOv2 vision foundation model een hoge nauwkeurigheid bereikt in het stratificeren van hoog-risico larynxlaesies uit laryngoscopische beelden en de diagnostische prestaties van artsen met verschillende ervaringsniveaus aanzienlijk verbetert.
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
De menselijke stem is een kwetsbaar instrument, en het strottenhoofd, of de larynx, is de plek waar dat instrument wordt gevormd. Wanneer de delicate weefsels in de keel abnormale groei ontwikkelden, is het onderscheid maken tussen een onschuldige irritatie en een gevaarlijke kanker een van de meest kritieke taken voor een arts in de oor-, neus- en keelheelkunde. Deze beslissing hangt vaak af van een flexibele camera die via de neus wordt ingebracht om de stembanden te bekijken, een procedure die laryngoscopie wordt genoemd. Hoewel deze beelden de fysieke staat van de keel onthullen, kunnen de visuele tekenen van vroege kanker verrassend veel lijken op goedaardige aandoeningen zoals poliepen of cysten. In een drukke kliniek moet een arts in enkele seconden beslissen of een patiënt een onmiddellijke biopsie, een chirurgische evaluatie of simpelweg een afwachtende houding nodig heeft. Dit hoogwaardige oordeel is moeilijk, en de uitkomst kan variëren afhankelijk van de ervaring van de arts, de kwaliteit van het beeld en de subtiele aard van de veranderingen aan het weefseloppervlak.
Om dit probleem aan te pakken, heeft een team van onderzoekers van ziekenhuizen in Nanjing en Johns Hopkins een nieuw type kunstmatige intelligentie ontwikkeld, ontworpen om als een tweede paar ogen voor deze specialisten te fungeren. In plaats van te proberen de arts te vervangen, is het systeem gebouwd om te helpen patiënten in risicocategorieën in te delen, waarbij zijgen met de hoogste waarschijnlijkheid van gevaarlijke laesies worden gemarkeerd. De onderzoekers trainden dit computersysteem met behulp van duizenden echte laryngoscopische beelden, waarbij ze het systeem leerden de specifieke visuele patronen te herkennen die hoogrisicoweefsel van laagrisicoweefsel onderscheiden. Ze bouwden niet slechts één model; ze testten elf verschillende soorten onderliggende computerarchitecturen en vergeleken hoe goed elk van hen uit de data kon leren. Ze ontdekten dat een specifiek model, dat vooraf was getraind op een enorme bibliotheek van algemene afbeeldingen voordat het werd gespecialiseerd voor de keel, het beste presteerde. Dit "fundamentele model" was in staat zijn aandacht te richten op de exacte gebieden van de stembanden die er toe deden, waarbij het de achtergrondruis negeerde en zich concentreerde op de textuur en kleur van het weefsel zelf.
Toen de onderzoekers dit systeem testten op nieuwe beelden die het nog nooit eerder had gezien, waren de resultaten opvallend consistent. In een set interne testbeelden identificeerde de AI hoogrisicogevallen met een nauwkeurigheid van 96,0 procent. Nog belangrijker was dat toen het systeem werd getest op beelden van twee verschillende ziekenhuizen met verschillende apparatuur en lichtomstandigheden, het zijn hoge prestaties behield, met nauwkeurigheidspercentages van 96,7 procent en 95,5 procent. Dit suggereat dat het systeem robuust genoeg is om in echte klinieken te werken, en niet alleen in de gecontroleerde omgeving waar het is gebouwd. De onderzoekers onderzochten ook hoe deze technologie zou kunnen werken met live video, wat de manier is waarop artsen daadwerkelijk patiënten onderzoeken. Ze ontwikkelden een methie om automatisch de duidelijkste frames uit een videostroom te selecteren en zich alleen op de stembanden te concentreren, waarbij wazige of irrelevante delen worden weggegooid. Deze video-gebaseerde aanpak verbeterde de nauwkeurigheid van de risicobeoordeling, wat bewees dat het systeem de dynamische aard van een live onderzoek aan kan.
De echte test van elk medisch hulpmiddel is echter hoe het de mensen helpt die het gebruiken. Om dit te achterhalen, nodigden de onderzoekers tien artsen met verschillende ervaringsniveaus uit om 120 beelden te beoordelen, eerst op eigen kracht en daarna met de hulp van de AI. De resultaten lieten zien dat de AI iedereen hielp, maar dat het de minst ervaren artsen het meest hielp. Wanneer junioren de AI gebruikten, verbeterde hun nauwkeurigheid met vier procentpunten, een significante sprong die hun prestaties dichter bij die van senior experts bracht. Het systeem hielp artsen ook om sneller beslissingen te nemen, waardoor de tijd die aan elk beeld werd besteed, werd verkort. Dit geeft aan dat de technologie fungeert als een krachtige gelijkmaker, die consistente, hoogwaardige ondersteuning biedt die minder ervaren clinici kan helpen om veiligere, meer zelfverzekerde beslissingen te nemen.
De studie beweerde niet het probleem van de diagnose van larynxkanker te hebben opgelost, noch suggereerde het dat de AI de menselijke beoordeling zou moeten vervangen. In plaats daarvan suggereren de bevindingen dat een zorgvuldig ontworpen kunstmatige intelligentie kan dienen als een betrouwbaar triage-instrument, dat helpt ervoor te zorgen dat hoogrisicopatiënten snel worden geïdentificeerd en dat goedaardige gevallen niet worden onderworpen aan onnodige procedures. De onderzoekers merkten op dat hoewel het systeem goed presteerde, het werd getest op een specifieke set beelden en verdere studie vereist in grotere, klinische omgevingen in de echte wereld om de langetermijnnut ervan te bevestigen. Desalniettemin demonstreert het werk dat moderne computer vision, wanneer het met zorg wordt toegepast en rigoureus wordt getest, kan leren de subtiele tekenen van ziekte in de menselijke keel te zien, en daarmee een nieuwe laag van ondersteuning biedt aan de artsen die tussen de patiënten en hun gezondheid staan.
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.