Возможность применения модели искусственного интеллекта глубокого обучения для диагностики илеоцекальной инвагинации у детей по серошкальным ультразвуковым изображениям

Цель: Изучить возможность применения модели искусственного интеллекта (ИИ) глубокого обучения для выявления илеоцекальной инвагинации по серошкальным ультразвуковым изображениям.

Методы: В это ретроспективное обсервационное исследование включили ультразвуковые изображения детей, которым в экстренном порядке выполняли ультразвуковое исследование при подозрении на илеоцекальную инвагинацию. После исключения видеоклипов, допплеровских изображений и размеченных изображений в исследование вошли 40 765 изображений из двух многопрофильных стационаров третичного уровня (соотношение положительных и отрицательных случаев: стационар А — 2775:35 373; стационар B — 140:2477). Изображения из стационара А разделили на обучающую, настроечную и внутреннюю тестовую выборки (ITS) в соотношении 7:1,5:1,5. Изображения из стационара B составили внешнюю тестовую выборку (ETS). Для каждого изображения с признаками инвагинации два врача-рентгенолога обозначили ограничивающий прямоугольник, который использовали в качестве эталонной разметки. При подозрении на инвагинацию на исходном изображении модель формировала ограничивающий прямоугольник с оценкой уверенности от 0 до 1 в предполагаемой области поражения. Для оценки общей эффективности модели использовали среднюю точность (AP). Практические пороговые значения оценки уверенности модели, определённые по данным ITS, проверили на ETS.

Результаты: Значения AP составили 0,952 для ITS и 0,936 для ETS. Были установлены два пороговых значения оценки уверенности — CTopt и CTprecision: 0,557 и 0,790 соответственно. На ETS точность и полнота на уровне изображения составили 95,7 и 80,0% при CTopt и 98,4 и 44,3% при CTprecision. При диагностике на уровне пациента чувствительность и специфичность составили 100,0 и 97,1% при CTopt и 100,0 и 99,0% при CTprecision. Среднее число ложноположительных результатов на одного пациента составило 0,04 при CTopt и 0,01 при CTprecision.

Выводы: Продемонстрирована возможность применения модели ИИ для диагностики илеоцекальной инвагинации по ультразвуковым изображениям. Однако для надёжной клинической валидации необходимы дальнейшие исследования на данных без систематического смещения.