Технологии машинного обучения в КТ-диагностике и классификации внутричерепных кровоизлияний

Аннотация:

В данном литературном обзоре рассматривается объединенный опыт создания, применения и оценки эффективности технологий машинного обучения в компьютерно-томографической диагностике внутричерепных кровоизлияний. Была проанализирована 21 оригинальная статья по ключевым словам «intracranial hemorrhage», «machine learning», «deep learning», «artificial intelligence», опубликованная за период 2015—2022 гг. Обзор содержит в себе общую информацию о базовых понятиях машинного обучения, а также более подробно рассматривает такие аспекты, как технические характеристики наборов данных, используемых при создании интеллектуальных алгоритмов по описываемому типу клинической задачи, их возможное влияние на эффективность применения и опыт клинической апробации. Внутричерепные кровоизлияния (ВЧК) как травматические, так и нетравматические (в том числе в результате геморрагического инсульта) являются серьезной проблемой, при которой важную роль играет ранняя постановка диагноза и своевременное начало лечения. Лучевая семиотика ВЧК при компьютерной томографии (КТ) достаточно специфична для каждого подвида кровоизлияния. Современные технологии, такие как компьютерное зрение, формируют решения, направленные на упрощение и ускорение распознавания и классификацию патологии на сериях КТ-изображений. В данном обзоре мы рассматриваем особенности наборов данных (датасетов), которые используются для обучения алгоритмов компьютерного зрения. Поиск литературы проводился в системах E-library и PubMed ввиду открытости и доступности этих баз. После исключения статей, не подошедших под тематику обзора, дублей в поисковой выдаче, а также статей, не имеющих бесплатного доступа к своему полному тексту, было отобрано 21 оригинальное исследование. При анализе работ выявлена тенденция их разделения на 3 больших группы. Первая их часть направлена на математическое описание принципов функционирования какого-либо алгоритма машинного обучения, созданного разработчиками. В этой группе работ обучение проводилось на публичных наборах данных, собственные медицинские данные использовались редко. Вторая часть объединяет информацию о технико-математических особенностях алгоритма, метрики по обучению и тестированию и иногда — результаты проведенной клинической апробации. В эту же группу отнесены статьи, где коммерчески доступные алгоритмы проспективно тестировали в клинике с оценкой только метрик точности. В третьей группе работ проводится клиническая апробация алгоритма (чаще — коммерчески доступного), при этом также оценивают такие параметры, как время обработки исследования и время подготовки рентгенологического заключения. Последняя группа работ представляла для нас наибольший интерес.

Авторы:

Издание: Журнал вопросы нейрохирургии им.Н.Н.Бурденко
Год издания: 2023
Объем: 7с.
Дополнительная информация: 2023.-N 2.-С.85-91. Библ. 42 назв.
Просмотров: 22