Радиологический искусственный интеллект: систематический обзор и оценка методов (RAISE)

Цель: В области искусственного интеллекта (ИИ), применяемого в клинической радиологии, выполнено большое число исследований. Однако их дизайн и качество неоднородны, а систематические обзоры всей области отсутствуют. Целью данного систематического обзора было выявить все публикации, в которых в радиологии использовалось глубокое обучение, проанализировать литературу и оценить применяемые методы. Мы стремились определить основные исследовательские вопросы, поднимаемые в литературе, и наиболее эффективные используемые методы.

Методы: Мы следовали рекомендациям PRISMA и выполнили систематический обзор исследований ИИ в радиологии, опубликованных с 2015 по 2019 год. Наш опубликованный протокол был заранее зарегистрирован.

Результаты: Поиск выявил 11 083 записи. Было просмотрено 767 полнотекстовых статей, из которых включено 535. Девяносто восемь процентов исследований были ретроспективными когортными. Медиана числа включённых пациентов составила 460. В большинстве исследований изучали МРТ (37%). Наиболее частой субспециальностью была нейрорадиология. В 88% работ использовали обучение с учителем. В большинстве исследований выполнялась задача сегментации (39%). Сравнение эффективности проводили с современной моделью в 37% случаев. Наиболее часто применяемой стандартной архитектурой была UNet (14%). Медианные значения основных используемых метрик эффективности составляли Dice 0,89 (диапазон 0,49–0,99), AUC 0,903 (диапазон 1,00–0,61) и точность 89,4% (диапазон 70,2–100). Среди 77 исследований, в которых результаты были верифицированы внешне и допускали прямое сравнение, при внешней валидации эффективность в среднем снижалась на 6% (диапазон от повышения на 4% до снижения на 44%).

Выводы: Этот систематический обзор описал основные достижения ИИ в клинической радиологии.

Ключевые положения: Несмотря на множество публикаций, сообщающих об уровне результатов экспертов при использовании глубокого обучения в радиологии, в большинстве работ применяют лишь ограниченный набор методов для узкого круга задач. Литературу доминируют ретроспективные когортные исследования с ограниченной внешней валидацией и высоким потенциалом смещения. Недавнее появление приложений ИИ к рекомендациям по систематической отчётности и проспективной регистрации исследований, а также акцент на внешней валидации и объяснимости могут помочь перенести ажиотаж вокруг ИИ из кода в клиническую практику.