Categorie: Traumachirurgie
Automatische detectie van traumatische pneumothorax met behulp van kunstmatige intelligentie
V.M.A. Stirler1, E.M. Fennema1, B.M. Pereira2, T.C. Kwee3, P.M.A. van Ooijen2, 4, L.J. Cornelissen2
1Universitair Medisch Centrum Groningen, GRONINGEN, Traumachirurgie
2Universitair Medisch Centrum Groningen, GRONINGEN, Radiotherapie
3Universitair Medisch Centrum Groningen, GRONINGEN, Radiologie
4Universitair Medisch Centrum Groningen, GRONINGEN, Data Science Center in Health
Introductie
Accuraat herkennen van een traumatische pneumothorax tijdens de primary survey van traumapatiënten is essentieel voor een passende behandeling. Voor het herkennen van een traumatische pneumothorax op thorax röntgenfoto’s hebben we een algoritme ontwikkeld gebaseerd op kunstmatige intelligentie. Dit algoritme is beoordeeld op accuratesse.
Methode
Alle polytrauma patiënten zijn geïdentificeerd die tussen januari 2009 en december 2018 in een level 1 traumacentrum een ATLS screening hebben ondergaan. Een dataset is gecreëerd van thorax röntgenfoto’s waarbij ook een thorax CT-scan tijdens dezelfde screening is verricht. Deze dataset is later uitgebreid met alleen thoraxfoto’s. Alle beeldvorming is voorzien van annotaties op basis van het radiologisch verslag. Vervolgens is een algoritme ontwikkeld en geëvalueerd door middel van kruisvalidatie. Primaire uitkomstmaat is de accuratesse van het algoritme. Daarnaast zijn visualisatie technieken gebruikt om inzicht te geven in het beslisproces van het algoritme.
Resultaten
Van 600 patiënten zijn na exclusie 783 röntgenfoto’s geïncludeerd en voorzien van annotaties. De prevalentie van een pneumothorax is 38% (n=301). Het getrainde algoritme heeft een AUC van 84% (Fig 1), sensitiviteit van 71%, specificiteit van 85% en een F1 score van 73%. Voorspellingen van het algoritme zijn gevisualiseerd met behulp van heatmaps (Fig 2). Deze techniek maakt inzichtelijk wat aangemerkt wordt als een positief of negatief resultaat.
Conclusie
Kunstmatige intelligentie kan gebruikt worden voor het detecteren van een traumatische pneumothorax. Verdere ontwikkeling en prospectief onderzoek zal uitwijzen of de accuratesse goed genoeg is voor klinisch gebruik. Visualiseren van de output creëert inzicht in de werking van het algoritme wat het vertrouwen in een algoritme doet toenemen.
Fig. 1: ROC curve van het getrainde model, geëvalueerd door middel van kruisvalidatie (4-voudig).
Fig. 2: Voorbeeld van een voorspelling gegenereerd door het getrainde algoritme. Links de ingevoerde foto (Input Image), midden de locatie van de pneumothorax zoals ingetekend door een traumachirurg (Mask) en rechts de output van het model (Grad-CAM). Het
