هوش مصنوعی با آستانه های حجمی غربالگری فرصت طلبانه برای اسپلنومگالی را تسهیل می کند

بر اساس یک نسخه خطی پذیرفته شده منتشر شده در خود ARRS مجله آمریکایی Roentgenology (هوا)، با استفاده از یک ابزار هوش مصنوعی خودکار یادگیری عمیق، و همچنین آستانه های حجمی مبتنی بر وزن، ممکن است ارزیابی مقیاس بزرگی را برای اسپلنومگالی در معاینات CT انجام شده برای هر نشانه ای فراهم کند.

با اشاره به اینکه از نظر تاریخی، اندازه‌گیری‌های استاندارد خطی طحال که به عنوان جایگزینی برای حجم طحال استفاده می‌شد، عملکردی کمتر از حد مطلوب در تشخیص طحال بر اساس حجم داشت، «آستانه‌های حجمی مبتنی بر وزن، وجود طحال را در اکثر بیمارانی که تحت CT قبل از پیوند کبد قرار گرفتند، نشان داد. “پری جی. پیکهارت، MD، نویسنده مربوطه از بخش رادیولوژی دانشکده پزشکی و بهداشت عمومی دانشگاه ویسکانسین توضیح داد.

پیکهارت و همکاران هوا نسخه خطی پذیرفته شده شامل نمونه غربالگری 8901 بیمار (4235 مرد، 4666 زن؛ میانگین سنی 56 سال) بود که از آوریل 2004 تا ژانویه 2017 تحت سی تی کولونوسکوپی (7736=n) یا CT اهداکننده کلیه (1165=n) قرار گرفتند. گروهی متشکل از 104 بیمار (62 مرد، 42 زن؛ میانگین سنی، 56 سال) مبتلا به بیماری کبدی در مرحله پایانی تحت CT قبل از پیوند کبد از ژانویه 2011 تا مه 2013 قرار گرفتند. الگوریتم یادگیری عمیق Pickhardt و همکاران – قبلا توسعه یافته، آموزش دیده و در مرکز بالینی مؤسسه ملی سلامت آزمایش شد – برای تقسیم بندی طحال، برای کمک به تعیین حجم طحال، با دو رادیولوژیست به طور مستقل زیرمجموعه ای از تقسیم بندی های گفته شده را بررسی کردند.

در نهایت، این ابزار هوش مصنوعی خودکار یادگیری عمیق برای محاسبه حجم طحال از معاینات CT در 8853 بیمار از جمعیت اولیه سرپایی استفاده شد. علاوه بر این، حجم طحال در میان طیف وسیعی از عوامل بیمار به شدت با وزن مرتبط بود.

“براساس دانش ما” هوا نویسندگان نتیجه گرفتند، “این مطالعه بزرگترین نمونه گزارش شده از بیمارانی است که تحت تقسیم بندی حجمی طحال قرار گرفته اند.”