Interpretable Radiomic Analysis of Chest X-rays for Pneumonia Discrimination Using First-Order and GLCM Texture Features, Statistical Screening, and PCA
Deze studie toont aan dat een transparante radiomics-pipeline die gebruikmaakt van first-order en GLCM-textuurkenmerken uit gesegmenteerde röntgenfoto's van de borstkas, pneumonie statistisch kan onderscheiden van normale gevallen met een matige nauwkeurigheid, wat wijst op het potentieel ervan als een interpreteerbare ondersteunende tool in plaats van een zelfstandige diagnostische oplossing.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Elk jaar krijgen miljoenen mensen over de hele wereld de diagnose respiratoire aandoeningen, en voor velen is de eerste stap in dat traject een röntgenfoto van de borstkas. Deze eenvoudige, snelle afbeelding is vaak het enige beschikbare instrument in drukke klinieken of afgelegen dorpen, omdat het een inkijkje biedt in de longen zonder de hoge kosten of straling van een CT-scan. Het aflezen van deze beelden is echter verre van perfect. Een arts die naar een röntgenfoto kijkt, ziet een platte, tweedimensionale schaduw van een complex driedimensionaal lichaam, waarbij ribben en het hart ziekte kunnen verbergen of nabootsen. Wat de ene arts als een gezonde long ziet, kan door een andere als een teken van infectie worden gezien, wat leidt tot onenigheid die in de helft van alle gevallen kan voorkomen. Om dit op te lossen, richten wetenschappers zich op een vakgebied genaamd radiomics, dat medische beelden niet alleen behandelt als plaatjes om naar te kijken, maar als enorme collecties gegevens om te meten. In plaats van te vertrouwen op het menselijk oog om te gissen of een long "troebel" of "helder" oogt, gebruikt radiomics computers om precieze getallen te extraheren die de helderheid en textuur van de afbeelding beschrijven, in de hoop patronen te vinden die het menselijk oog zou kunnen missen.
In een recente studie probeerden onderzoekers een transparant, gemakkelijk te begrijpen systeem te bouwen dat het onderscheid kon maken tussen een gezonde long en een long die geïnfecteerd is met pneumonie, met behoud van enkel deze meetbare getallen. Ze begonnen met een grote collectie van 2.000 röntgenfoto's van de borstkas uit een publieke database, waarbij ze de beelden evenredig verdeelden tussen beelden die als normaal werden bestempeld en beelden die als zijnde met pneumonie werden bestempeld. Om er zeker van te zijn dat de computer naar de juiste delen van de afbeelding keek, gebruikten ze eerst een gespecialiseerde kunstmatige intelligentie-tool om een digitale omtrek rond de longen te tekenen, waardoor ze effectief de ribben, het hart en de rest van het lichaam weglieten. Na het verwijderen van een paar afbeeldingen waarbij deze digitale omtrek beschadigd of onduidelijk was, bleven ze over met een schone set van 1.911 afbeeldingen om te analyseren.
Het team vroeg de computer vervolgens om elf specifieke kenmerken van het longweefsel binnen die omtrekken te meten. Vijf van deze metingen beschreven de algehele helderheid en hoe de lichte en donkere plekken verdeeld waren, terwijl de andere zes zich concentreerden op de textuur, oftewel hoe de pixels naast elkaar zijn gerangschikt. Ze vergeleken deze getallen tussen de gezonde longen en de zieke longen om te zien of er duidelijke verschillen waren. De resultaten onthulden iets verrassends: de algehele helderheid van de long deed er niet toe. Het gemiddelde lichtniveau in een gezonde long was bijna identiek aan dat in een long met pneumonie, wat betekent dat het simpelweg kijken naar hoe helder een afbeelding is, een arts niet kan vertellen of een patiënt ziek is.
De textuur van de long vertelde echter een heel ander verhaal. De onderzoekers ontdekten dat de manier waarop de pixels gerangschikt waren, de sleutel inhield. Gezonde longen, gevuld met lucht en doorkruist door bloedvaten en luchtwegen, vertoonden een complex, gevarieerd patroon met veel verschillende grijstinten die door elkaar gemengd waren. In contrast hiermee vertoonden longen met pneumonie een veel gladdere, meer uniforme textuur. Dit komt doordat pneumonie de kleine longblaasjes vult met vocht en cellen, wat zorgt voor een dichte, troebele verschijning die de natuurlijke variaties in gezond weefsel afvlakt. Tien van de elf metingen die het team nam, vertoonden statistisch significante verschillen tussen de twee groepen, waarbij de textuurgebaseerde getallen de sterkste bekwaamheid hadden om ze van elkaar te onderscheiden.
Om de betekenis te geven aan deze tien verschillende getallen, gebruikten de onderzoekers een wiskundige techniek om ze samen te voegen in een paar bredere categorieën. Ze ontdekten dat bijna alle nuttige informatie kon worden gevangen in slechts vier hoofdgroepen, waarbij de belangrijkste groep de uniformiteit van de textuur beschreef. Dit bevestigde dat de gladheid van het longpatroon het meest krachtige signaal was voor het detecteren van pneumonie in hun data. Wanneer ze deze vereenvoudigde getallen in drie verschillende soorten computerprogramma's die ontworiment zijn voor voorspellingen, voerden, presteerden de systemen matig goed. Het beste programma identificeerde de conditie ongeveer 64 procent van de tijd correct en toonde een matige bekwaamheid om de twee groepen in algemene zin te onderscheiden.
De studie concludeert dat hoewel deze textuurmetingen werkelijke, betekenisvolle informatie bevatten die pneumonie van gezonde longen kan scheiden, ze nog niet sterk genoeg zijn om op zichzelf een diagnose van een arts te vervangen. De nauwkeurigheid was te laag om als een zelfstandig hulpmiddel te worden gebruikt, waarschijnlijk omdat het systeem naar de gehele long tegelijk keek in plaats van zich te concentreren op specifieke plekken van infectie, en omdat het een relatief eenvoudige set metingen gebruikte. De onderzoekers suggereren dat deze benadering het beste kan worden gezien als een behulpzame assistent die een objectief tweede oordeel kan bieden aan een menselijke lezer, in plaats van een definitieve rechter. Door zich te concentreren op de fysieke textuur van de long in plaats van alleen op de helderheid, biedt dit werk een duidelijk, verklaarbaar fundament voor toekomstige tools die er op een dag voor kunnen zorgen dat artsen snellere en nauwkeurigere beslissingen nemen, vooral in plaatsen waar deskundige radiologen schaars zijn.
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.