Zastosowanie sztucznej inteligencji w radiologicznej ocenie obrazów ultrasonograficznych
Słowa kluczowe:
sztuczna inteligencja, ultrasonografia, radiologia, sieci neuronoweStreszczenie
Celem pracy był przegląd i analiza wybranych zastosowań sztucznej inteligencji w wspomaganiu i analizie badania ultrasonograficznego. Badanie ultrasonograficzne cechuje się wyjątkowo niską inwazyjnością i ceną na tle innych badań. Z tego powodu znajduje szerokie zastosowanie w wczesnej diagnostyce szerokiego spektrum zaburzeń. Mimo automatyzacji i wzrostu precyzji urządzeń, jakość i użyteczność badania ciągle pozostaje w wysokim stopniu uzależniona od umiejętności operatora urządzenia i radiologia oceniającego obraz. Sztuczna inteligencja jest zbiorem dziedzin zajmujących się matematyczną analizą dużych zbiorów danych. Wraz ze wzrostem mocy obliczeniowej komputerów, zyskuje coraz szersze zastosowanie, także w dziedzinach medycznych. Analizowane prace dotyczyły algorytmów szkolonych w celu analizy obrazów ultrasonograficznych. Autorzy prac wskazywali, na potencjał sztucznej inteligencji jako narzędzia wspomagającego pracę radiologa, a skuteczność algorytmów była porównywana z praktykami o różnym stopniu doświadczenia. W większości przytoczonych prac algorytmy cechowały się potencjalnie użyteczną klinicznie dokładnością, przytoczono także algorytmy mające już zastosowanie komercyjne. Istotnym czynnikiem ograniczającym rozwój dziedziny jest ograniczone istnienie i dostęp do zbiorów danych mogących stanowić materiał szkoleniowy, a szerzej zakrojone prace w przyszłości będą musiały rozwiązać tą kwestię.
Rozdziały
-
Zastosowanie sztucznej inteligencji w radiologicznej ocenie obrazów ultrasonograficznych
Bibliografia
Mintz Y, Brodie R. Introduction to artificial intelligence in medicine. Minim Invasive Ther Allied Technol. 2019;28(2):73-81. doi:10.1080/13645706.2019.1575882
Ghosh-Dastidar S, Adeli H. Spiking neural networks. Int J Neural Syst. 2009;19(4):295-308. doi:10.1142/S0129065709002002
He J, Baxter SL, Xu J, Xu J, Zhou X, Zhang K. The practical implementation of artificial intelligence technologies in medicine. Nat Med. 2019;25(1):30-36. doi:10.1038/s41591-018-0307-0
Murdoch WJ, Singh C, Kumbier K, Abbasi-Asl R, Yu B. Definitions, methods, and applications in interpretable machine learning. Proc Natl Acad Sci U S A. 2019;116(44):22071-22080. doi:10.1073/pnas.1900654116
Davis A, Billick K, Horton K, et al. Artificial Intelligence and Echocardiography: A Primer for Cardiac Sonographers. J Am Soc Echocardiogr. 2020;33(9):1061-1066. doi:10.1016/j.echo.2020.04.025
Asch FM, Poilvert N, Abraham T, et al. Automated Echocardiographic Quantification of Left Ventricular Ejection Fraction Without Volume Measurements Using a Machine Learning Algorithm Mimicking a Human Expert. Circ Cardiovasc Imaging. 2019;12(9):e009303. doi:10.1161/CIRCIMAGING.119.009303
COŚ NIE IDZIE ZROBIĆ AMA
Wang J, Chen Y, Yu SX, Cheung B, LeCun Y. Compact and optimal deep learning with recurrent parameter generators. In: 2023 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV). IEEE; 2023. doi:10.1109/wacv56688.2023.00389
Shrestha A, Mahmood A. Review of deep learning algorithms and architectures. IEEE Access. 2019;7:53040-53065. doi:10.1109/access.2019.2912200
O’Shea K, Nash R. An Introduction to Convolutional Neural Networks. arXiv [csNE]. Published online 26 November 2015. http://arxiv.org/abs/1511.08458
Srivastava R, Kumar P. GSO-CNN-based model for the identification and classification of thyroid nodule in medical USG images. Netw Model Anal Health Inform Bioinform. 2022;11(1). doi:10.1007/s13721-022-00388-w
Pruszyński Bogdan. Diagnostyka Obrazowa. Podstawy Teoretyczne i metodyka badań. PZWL Wydawnictwo Lekarskie, 2013
Baron Jan, Pilch-Kowalczyk Joanna. Podstawy badania ultrasonograficznego. Śląski Uniwersytet Medyczny w Katowicach, Katowice, 2021.
Skuza M, Stachowicz-Stencel T. Ocena przydatności diagnostyki ultrasonograficznej w różnicowaniu zmian ogniskowych wątroby. Forum Medycyny Rodzinnej. 2015;9:318-325.
Real-time ultrasound elastography-a new tool for diagnosing thyroid nodules. Endokrynologia Polska. 2010;61:652-657.
Skuza M, Stachowicz-Stencel T. Ocena przydatności diagnostyki ultrasonograficznej w różnicowaniu zmian ogniskowych wątroby. Forum Medycyny Rodzinnej. 2015;9:318-325.
Baron Jan, Pilch-Kowalczyk Joanna. Podstawy badania ultrasonograficznego. Śląski Uniwersytet Medyczny w Katowicach, Katowice, 2021.
Wawrzynowicz-Syczewska Marta. ,,Marskość wątroby”, mp.pl, Medycyna Praktyczna, Kraków, 10.08.2022
Anteby R, Klang E, Horesh N, et al. Deep learning for noninvasive liver fibrosis classification: A systematic review. Liver Int. 2021;41(10):2269-2278. doi:10.1111/liv.14966
Wang K, Lu X, Zhou H, et al. Deep learning Radiomics of shear wave elastography significantly improved diagnostic performance for assessing liver fibrosis in chronic hepatitis B: a prospective multicentre study. Gut. 2019;68(4):729-741. doi:10.1136/gutjnl-2018-316204
Anteby R, Klang E, Horesh N, et al. Deep learning for noninvasive liver fibrosis classification: A systematic review. Liver Int. 2021;41(10):2269-2278. doi:10.1111/liv.14966
BRAK LINKU
Gąsiorowska AD. Niealkoholowa stłuszczeniowa choroba wątroby. Lekarz POZ. 2019;5(3/4).
Bedogni G, Bellentani S, Miglioli L, et al. The Fatty Liver Index: a simple and accurate predictor of hepatic steatosis in the general population. BMC Gastroenterol. 2006;6:33. Published 2006 Nov 2. doi:10.1186/1471-230X-6-33
Bedogni G, Bellentani S, Miglioli L, et al. The Fatty Liver Index: a simple and accurate predictor of hepatic steatosis in the general population. BMC Gastroenterol. 2006;6:33. Published 2006 Nov 2. doi:10.1186/1471-230X-6-33
Gąsiorowska AD. Niealkoholowa stłuszczeniowa choroba wątroby. Lekarz POZ. 2019;5(3/4).
Gąsiorowska AD. Niealkoholowa stłuszczeniowa choroba wątroby. Lekarz POZ. 2019;5(3/4).
Cao LL, Peng M, Xie X, et al. Artificial intelligence in liver ultrasound. World J Gastroenterol. 2022;28(27):3398-3409. doi:10.3748/wjg.v28.i27.3398
Cao LL, Peng M, Xie X, et al. Artificial intelligence in liver ultrasound. World J Gastroenterol. 2022;28(27):3398-3409. doi:10.3748/wjg.v28.i27.3398
Durante C, Grani G, Lamartina L, Filetti S, Mandel SJ, Cooper DS. The Diagnosis and Management of Thyroid Nodules: A Review [published correction appears in JAMA. 2018 Apr 17;319(15):1622]. JAMA. 2018;319(9):914-924. doi:10.1001/jama.2018.0898
Choi YJ, Baek JH, Park HS, et al. A Computer-Aided Diagnosis System Using Artificial Intelligence for the Diagnosis and Characterization of Thyroid Nodules on Ultrasound: Initial Clinical Assessment. Thyroid. 2017;27(4):546-552. doi:10.1089/thy.2016.0372
Choi YJ, Baek JH, Park HS, et al. A Computer-Aided Diagnosis System Using Artificial Intelligence for the Diagnosis and Characterization of Thyroid Nodules on Ultrasound: Initial Clinical Assessment. Thyroid. 2017;27(4):546-552. doi:10.1089/thy.2016.0372
Wildman-Tobriner B, Taghi-Zadeh E, Mazurowski MA. Artificial intelligence (AI) tools for thyroid nodules on ultrasound, from the AJR special series on AI applications. AJR Am J Roentgenol. 2022;219(4):1-8. doi:10.2214/AJR.22.27430
Reverter JL, Vázquez F, Puig-Domingo M. Diagnostic performance evaluation of a computer-assisted imaging analysis system for ultrasound risk stratification of thyroid nodules. AJR Am J Roentgenol. 2019;213(1):169-174. doi:10.2214/AJR.18.20740
Koios Medical, Inc. Koios DS, https://www.accessdata.fda.gov/cdrh_docs/pdf21/K212616.pdf
Kuehn BM. Cardiac imaging on the cusp of an artificial intelligence revolution. Circulation. 2020;141(15):1266-1267. doi:10.1161/CIRCULATIONAHA.120.046760
Kumar S, Nilsen WJ, Abernethy A, et al. Mobile health technology evaluation: the mHealth evidence workshop. Am J Prev Med. 2013;45(2):228-236. doi:10.1016/j.amepre.2013.03.017
Cihon P, Schuett J, Baum SD. Corporate governance of artificial intelligence in the public interest. Information (Basel). 2021;12(7):275. doi:10.3390/info12070275
Vanhove C, Franken PR, Defrise M, Momen A, Everaert H, Bossuyt A. Automatic determination of left ventricular ejection fraction from gated blood-pool tomography. J Nucl Med. 2001;42(3):401-407. https://www.ncbi.nlm.nih.gov/pubmed/11337514
Bellenger NG, Burgess MI, Ray SG, et al. Comparison of left ventricular ejection fraction and volumes in heart failure by echocardiography, radionuclide ventriculography and cardiovascular magnetic resonance. Are they interchangeable? European heart journal. 2000;21(16):1387-1396.
Vanhove C, Franken PR, Defrise M, Momen A, Everaert H, Bossuyt A. Automatic determination of left ventricular ejection fraction from gated blood-pool tomography. J Nucl Med. 2001;42(3):401-407.
Knackstedt C, Bekkers SCAM, Schummers G, et al. Fully automated versus standard tracking of left ventricular ejection fraction and longitudinal strain: The FAST-EFs multicenter study. J Am Coll Cardiol. 2015;66(13):1456-1466. doi:10.1016/j.jacc.2015.07.052
Tsang W, Salgo IS, Medvedofsky D, et al. Transthoracic 3D echocardiographic left heart chamber quantification using an automated adaptive analytics algorithm. JACC Cardiovasc Imaging. 2016;9(7):769-782. doi:10.1016/j.jcmg.2015.12.020
Li Y, Garson CD, Xu Y, Helm PA, Hossack JA, French BA. Serial ultrasound evaluation of intramyocardial strain after reperfused myocardial infarction reveals that remote zone dyssynchrony develops in concert with left ventricular remodeling. Ultrasound Med Biol. 2011;37(7):1073-1086. doi:10.1016/j.ultrasmedbio.2011.04.002
Saris AECM, Nillesen MM, Lopata RGP, de Korte CL. Correlation-based discrimination between cardiac tissue and blood for segmentation of the left ventricle in 3-D echocardiographic images. Ultrasound Med Biol. 2014;40(3):596-610. doi:10.1016/j.ultrasmedbio.2013.09.025
Gandhi S, Mosleh W, Shen J, Chow CM. Automation, machine learning, and artificial intelligence in echocardiography: A brave new world. Echocardiography. 2018;35(9):1402-1418. doi:10.1111/echo.14086
de Agustín JA, Marcos-Alberca P, Fernandez-Golfin C, et al. Direct measurement of proximal isovelocity surface area by single-beat three-dimensional color Doppler echocardiography in mitral regurgitation: a validation study. J Am Soc Echocardiogr. 2012;25(8):815-823. doi:10.1016/j.echo.2012.05.021
Karczmarek-Borowska B, Walowska A. Analiza czynników ryzyka zachorowania na raka piersi u kobiet po mastektomii : badania wstępne. Problemy Nauk Stosowanych. 2017;T. 6. Accessed February 14, 2023. https://yadda.icm.edu.pl/baztech/element/bwmeta1.element.baztech-a6ba5f5f-a62b-4f55-9188-56aecff602e0
Krajowy Rejestr Nowotworów. Nowotwór piersi u kobiet. Uzyskano dostęp Grudzień 28, 2022. https://onkologia.org.pl/pl/nowotwor-piersi-u-kobiet-czym-jest
Perry N, Broeders M, de Wolf C, Törnberg S, Holland R, von Karsa L. European guidelines for quality assurance in breast cancer screening and diagnosis. Fourth edition--summary document. Ann Oncol. 2008;19(4):614-622. doi:10.1093/annonc/mdm481
Kim J, Kim HJ, Kim C, Kim WH. Artificial intelligence in breast ultrasonography. Ultrasonography. 2021;40(2):183-190. doi:10.14366/usg.20117
Zhang X, Lin X, Zhang Z, et al. Artificial intelligence medical ultrasound equipment: Application of breast lesions detection. Ultrason Imaging. 2020;42(4-5):191-202. doi:10.1177/0161734620928453
Xia Q, Cheng Y, Hu J, et al. Differential diagnosis of breast cancer assisted by S-Detect artificial intelligence system. Math Biosci Eng. 2021;18(4):3680-3689. doi:10.3934/mbe.2021184
Zhang D, Jiang F, Yin R, et al. A Review of the Role of the S-Detect Computer-Aided Diagnostic Ultrasound System in the Evaluation of Benign and Malignant Breast and Thyroid Masses. Med Sci Monit. 2021;27:e931957. Published 2021 Sep 23. doi:10.12659/MSM.931957
Xia Q, Cheng Y, Hu J, et al. Differential diagnosis of breast cancer assisted by S-Detect artificial intelligence system. Math Biosci Eng. 2021;18(4):3680-3689. doi:10.3934/mbe.2021184
Zapowiedzi
26 marca 2023
Prawa autorskie (c) 2023 Marcin Rojek, Michał Azierski
Licencja
Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Użycie niekomercyjne – Bez utworów zależnych 4.0 Międzynarodowe.
