AI สามารถลดภาระงานการถ่ายภาพเต้านมได้อย่างปลอดภัยในฐานะเครื่องอ่านที่สาม

ในการปราศรัยของเขาที่รัฐสภา RSNA ในชิคาโก ดร. Hakan Gustafsson จากมหาวิทยาลัย Linköping แสดงผลการศึกษาของทีมที่แสดงให้เห็นถึงคำมั่นสัญญาของ AI โดยใช้ระบบการให้คะแนนตามเกณฑ์ที่กำหนดว่าการค้นพบภาพถ่ายมีความเสี่ยงสูงหรือต่ำ

“ในการศึกษาของเรา เราสามารถลดปริมาณงานลงได้มากถึง 33.8% และไม่มีมะเร็งใดหายไป” กุสตาฟสันกล่าวกับผู้เข้าร่วม

ใน Östergötland County ประเทศสวีเดน โดยทั่วไปแล้วการอ่านค่าซ้ำซ้อนจะใช้ในการตีความภาพการตรวจคัดกรองมะเร็งเต้านมเพื่อลดผลบวกลวงในขณะที่ตรวจหามะเร็งได้มากขึ้น อย่างไรก็ตาม เขากล่าวว่าภาระงานที่สูงนี้อาจเป็นสิ่งที่ท้าทายสำหรับรังสีแพทย์ การวิจัยก่อนหน้านี้ยังชี้ให้เห็นว่าสิ่งนี้สามารถเพิ่มภาระทางเศรษฐกิจให้กับแผนกรังสีวิทยา

สำหรับการศึกษานี้ Gustafsson และเพื่อนร่วมงานต้องการใช้เครื่องมือสนับสนุนทางคลินิกของ AI ในการจำลองย้อนหลังเพื่อลดภาระงานในลักษณะที่ปลอดภัยและมีประสิทธิภาพ พวกเขาบันทึกดิจิตอลแมมโมแกรม 15,468 ครั้งระหว่างเดือนกันยายน 2564 ถึงกุมภาพันธ์ 2565 จากผู้หญิงทั้งหมด 15,468 คนในช่วงอายุ 40 ถึง 74 ปี ซึ่งรวมถึงมะเร็งที่ตรวจพบหน้าจอ 53 รายการ

ภาพแมมโมแกรมแต่ละภาพได้รับการอ่านสองครั้งอย่างอิสระโดยนักรังสีวิทยาเต้านมสองคน และประมวลผลโดยระบบ AI (Transpara) ระบบจะใช้คะแนน 1 ถึง 10 ในการสอบแต่ละครั้ง คะแนนที่สูงขึ้นหมายถึงโอกาสในการเป็นมะเร็งที่เพิ่มขึ้น การสอบที่มีคะแนนต่ำกว่า 7 ถือว่ามีความเสี่ยงต่ำและเลือกสำหรับการอ่านครั้งเดียว ในขณะที่การสอบที่มีคะแนน 7 หรือสูงกว่านั้นถือว่ามีความเสี่ยงสูงและเลือกสำหรับการอ่านสองครั้ง

นักวิจัยพบว่าระบบได้คะแนนรวม 10,473 ข้อสอบ (67.7%) โดยมีคะแนนระหว่าง 1 ถึง 7 กลยุทธ์การคัดแยกนี้จะนำไปสู่การลดภาระงาน 33.8%

นอกจากนี้ มะเร็งที่ตรวจพบจากหน้าจอ 52 รายการจาก 53 รายการยังได้รับเลือกโดยระบบ AI และได้รับคะแนนความเสี่ยงต่ำ มะเร็งชนิดหนึ่งที่ AI พลาดไป ซึ่งเป็นมะเร็งชนิดลุกลามระดับ II ที่ได้คะแนน 4 ถูกตรวจพบโดยรังสีแพทย์ในการอ่านครั้งเดียว

ระบบมีพื้นที่ใต้เส้นโค้งการทำงานของเครื่องรับ (AUC) เท่ากับ 0.928 ผู้อ่านมีค่า AUC เท่ากับ 0.834 และ 0.959 ตามลำดับ

Gustafsson กล่าวว่าการศึกษานี้สามารถมองได้ว่าเป็นขั้นตอนแรกของการศึกษาระยะยาวซึ่งนักวิจัยใช้ AI ทีละขั้นตอนในเวิร์กโฟลว์และทำงานกับข้อมูลที่คาดหวังมากขึ้น

ข่าวต้นฉบับ