A simplified cluster model and a tool adapted for collaborative labeling of lung cancer CT scans

Рад поделиться нашей новой статей "A simplified cluster model and a tool adapted for collaborative labeling of lung cancer CT scans" в журнале Computer Methods and Programs in Biomedicine (Q1, WoS, SCOPUS).

На что способны современные ИИ? Стоит ли доверять результатам достигнутыми разработчиками на подготовленном разработчиками датасетах?

Доверяй, но проверяй.

Современное развитие ИИ требует качественной проверки новых разработок на датасетах, подготовленных независимо от разработчика. Они должны быть эквивалентны тем исследованиям, на которых будет применяться конкретный ИИ в реальной практике. Создание датасетов лучевой диагностики - это трудоемкая и сложная задача, требующая привлечения экспертов для обеспечения достоверной аннотации находок. Сейчас нет единых правил аннотации датасетов и вопрос составления датасетов, тестирования ИИ стоит на передовом крае научных исследований.

- Мы разработали упрощенную модель и инструмент с открытым исходным кодом для аннотации компьютерных томографов рака легких.

- Модель ускоряет процесс разметки легочных узелков и повышает его эффективность.

- Используя модель, мы создали общедоступный набор данных CTLungCa-500 изображений КТ легких (это фрагмент большого размеченного датасета размером в 5000 КТ-исследований грудной клетки).

- Набор данных содержит разметку нормальных и патологических находок.

Материалы:

Мы выбрали 536 случайно выбранных пациентов московских поликлиник для создания набора данных КТ грудной клетки со стандартной дозой. Для идентификации легочных узелков привлекали 6 рентгенологов, которые независимо друг от друга составляли разметку по каждому КТ с использованием предложенной модели, уделяя внимание обнаружению поражений размером от 3 до 30 мм. После этого рентгенолог-арбитр рассматривал их оценки и аннотации. Далее находки были разделены на 3 группы в соответствии с рекомендациями Флейшнеровского общества.

Результаты:

Подход с максимальным поперечным диаметром превзошел альтернативные методы (3D-бокс, эллипсоид и построение полного контура) в исследовании 10 000 компьютерных моделей легочных узлов различной формы с точки зрения точности и скорости для детектирования формы узелков.

Разметка и аннотация набора данных CTLungCa-500 выявили 72 исследования, в которых не было узелков в легких. Остальные 464 КТ-сканирования содержали 3151 легочный узел, отмеченный по крайней мере одним рентгенологом. 2887 легочных узлов имеют целевой размер 3–30 мм. Увеличение числа независимых читателей, обеспечивающих интерпретацию КТ, привело к повышению точности, связанному с уменьшением согласия между разметчиками. Всего было 242 (7,7%) поражения, отмеченных тремя читателями, 118 (3,7%) поражений, отмеченных четырьмя читателями, и только для 70 (2,2%) все шесть читателей были единодушны. Среднее согласие для пар читателей составило 60,5 ± 5,3%, варьируя от 40,2 до 73,0%. Большинство разногласий (93,0 ± 4,1%) касалось наличия узла в

конкретном месте КТ.

Выводы:

Разработанная модель кластера упрощает совместное и краудсорсинговое создание репозиториев изображений и делает его эффективным по времени. Наш проверенный набор данных представляет собой ценный источник аннотированных данных медицинской визуализации для обучения и тестирования ИИ алгоритмов, направленных на раннее обнаружение узелков в легких. Инструмент и набор данных общедоступны по адресу https://github.com/Center-of-Diagnostics-and-Telemedicine/FAnTom.git и https://mosmed.ai/en/datasets/ct_lungcancer_500/ соответственно.

Благодарю соавторов:

Морозов С.П., Гомболевский В.А., Елизаров А.Б., Гусев М.А., Новик В.П., Прокудайло С.Б., Бардин A.С., Попов Е.В., Ледихова Н.В., Чернина В.Ю., Блохин И.А., Николаев А.Е., Решетников Р.В., Владзимирский А.В. и Кульберг Н.С.

Источник: www.sciencedirect.com

Комментарии: