Forscher der UPM und des CIBER-BBN haben in Zusammenarbeit mit verschiedenen internationalen Institutionen und Organisationen ein System künstlicher Intelligenz (KI) entwickelt, das bei der Erkennung radiologischer Anzeichen einer Lungentuberkulose in Röntgenaufnahmen des Brustkorbs von Kindern helfen soll. Die in Nature Communications veröffentlichte Arbeit ist die erste Studie, die den Wert seitlicher Röntgenaufnahmen in diesem Zusammenhang systematisch bewertet und altersspezifische Modelle mit allgemeinen, auf alle Altersgruppen trainierten Modellen vergleicht.
Zu den Kooperationspartnern zählen das Barcelona Institute for Global Health (ISGlobal, ein von der Stiftung „la Caixa“ unterstütztes Zentrum), das Manhiça Health Research Center (CISM) in Mosambik, das Spanish Pediatric Tuberculosis Study Network (pTBred), das Biomedical Research Network Center for Infectious Diseases (CIBERINFEC) und das Children’s National Hospital (Washington DC, USA).
Mithilfe von Erklärbarkeitstechniken erstellte Aktivierungskarten, die die vom Modell für seine Entscheidungen bezüglich der Röntgenstrahlen verwendeten Bereiche hervorheben.
Tuberkulose bei Kindern stellt eine diagnostische Herausforderung dar, da die Symptome oft unspezifisch sind und radiologische Veränderungen im Vergleich zu Erwachsenen tendenziell subtiler und variabler ausfallen. Um diese Schwierigkeiten zu bewältigen, integriert das System frontale Thorax-Röntgenbilder und, sofern verfügbar, seitliche Röntgenaufnahmen. Das System wurde optimiert, um seine Effizienz zu verbessern, und mit Daten aus verschiedenen Krankenhäusern und epidemiologischen Einrichtungen trainiert und validiert.
Die Arbeit liefert drei wichtige Beiträge. Erstens zeigt sie, dass das Vortraining von KI-Modellen anhand großer Sammlungen von Röntgenaufnahmen von Erwachsenen die Leistung verbessert, wenn diese Modelle mit pädiatrischen Daten optimiert werden. Zweitens unterstreicht sie den Nutzen seitlicher Röntgenaufnahmen, die besonders wertvolle ergänzende Informationen bei Säuglingen und Kleinkindern liefern, bei denen die Frontalansicht möglicherweise nicht ausreicht. Drittens zeigt sie, dass altersspezifische Modelle besser abschneiden als Modelle, die für alle Altersgruppen trainiert wurden. Dies spiegelt die Unterschiede in der Entwicklung und im klinischen Erscheinungsbild der Krankheit zwischen den Altersgruppen wider.
Quelle:
https://doi.org/10.1109/ISBI53787.2023.10230500
