ממוגרפיה לדוגמה הוקצתה ציון מקרה חיובי-שגוי של 96 בחולה שחורה בת 59 עם צפיפות שד פיברוגלנדולרית מפוזרת. (א) מבטים אלכסוניים שמאליים ו-(ב) בינוני-צדדיים מדגימים הסתיידויות של כלי דם ברביע החיצוני העליון בעומק האמצעי (קופסה) שזוהו באופן ייחודי על ידי אלגוריתם הבינה המלאכותית כממצא חשוד והוקצו ציון נגע אינדיבידואלי של 90. זה הביא בציון מקרה כולל שהוקצה לממוגרפיה של 96. קרדיט: האגודה הרדיולוגית של צפון אמריקה (RSNA)
מחקר מגלה כי בינה מלאכותית בממוגרפיה עשויה לייצר תוצאות חיוביות שגויות המושפעות מגילו וגזע המטופל, מה שמדגיש את החשיבות של נתוני אימונים מגוונים.
מחקר שנערך לאחרונה, שניתח כמעט 5,000 ממוגרפיות סקר שפורשו על ידי אלגוריתם בינה מלאכותית שאושר על ידי ה-FDA, מצא שמאפייני המטופל כמו גזע וגיל השפיעו על שיעור התוצאות הכוזבות. הממצאים פורסמו היום (21 במאי) ב רדיולוגיהכתב עת של האגודה הרדיולוגית של צפון אמריקה (RSNA).
"AI הפכה למשאב עבור רדיולוגים כדי לשפר את היעילות שלהם דיוק בקריאת ממוגרפיות סקר תוך הפחתת שחיקת הקוראים", אמר דרק ל. נגוין, MD, עוזר פרופסור באוניברסיטת דיוק בדורהם, צפון קרוליינה. "עם זאת, ההשפעה של מאפייני המטופל על ביצועי AI לא נחקרה היטב."
אתגרים ביישום AI
ד"ר Nguyen אמר בעוד נתונים ראשוניים מצביעים על כך שאלגוריתמים של בינה מלאכותית המיושמת לבדיקות ממוגרפיה סקר עשויות לשפר את ביצועי האבחון של רדיולוגים לאיתור סרטן השד ולהפחית את זמן הפירוש, יש כמה היבטים של בינה מלאכותית שכדאי להיות מודעים אליהם.
"יש מעט מסדי נתונים מגוונים מבחינה דמוגרפית לאימון אלגוריתמי בינה מלאכותית, וה-FDA אינו דורש מערכי נתונים מגוונים לצורך אימות", אמר. "בגלל ההבדלים בין אוכלוסיות המטופלים, חשוב לחקור אם תוכנת AI יכולה להתאים ולתפקד באותה רמה עבור גילאי מטופלים שונים, גזעים ומוצא אתני."
ממוגרפיה לדוגמה הקצתה ציון סיכון חיובי-שגוי של 1.0 בחולה היספנית בת 59 עם שדיים צפופים בצורה הטרוגנית. מוצגות תצוגות אלכסוניות דו-ממדיות משוחזרות דו-צדדיות (A, B) גולגולתיות ו-(C,D) בינוניות-צדדיות. האלגוריתם חזה סרטן תוך שנה, אך אדם זה לא פיתח סרטן או אטיפיה תוך שנתיים מבדיקת הממוגרפיה. קרדיט: האגודה הרדיולוגית של צפון אמריקה (RSNA)
לימודי עיצוב ודמוגרפיה
במחקר הרטרוספקטיבי, חוקרים זיהו חולים עם בדיקות סקר טומוסינתזה דיגיטליות של השד שליליות (ללא עדות לסרטן) שבוצעו במרכז הרפואי של אוניברסיטת דיוק בין השנים 2016 ל-2019. כל החולים היו במעקב במשך תקופה של שנתיים לאחר בדיקת הממוגרפיה, וללא חולים אובחנו עם ממאירות בשד.
החוקרים בחרו באקראי תת-קבוצה של קבוצה זו המורכבת מ-4,855 חולים (גיל חציוני 54 שנים) שהתפזרו באופן רחב על פני ארבע קבוצות אתניות/גזעיות. תת-הקבוצה כללה 1,316 (27%) לבנים, 1,261 (26%) שחורים, 1,351 (28%) אסיאתיים ו-927 (19%) מטופלים היספנים.
אלגוריתם AI זמין מסחרית פירש כל בדיקה בתת-קבוצת הממוגרפיה, ויצר גם ציון מקרה (או ודאות לממאירות) וגם ציון סיכון (או סיכון לממאירות של שנה אחת לאחר מכן).
ביצועי בינה מלאכותית על פני דמוגרפיה
"המטרה שלנו הייתה להעריך אם הביצועים של אלגוריתם בינה מלאכותית היו אחידים על פני גיל, סוגי צפיפות חזה וגזעים/אתניים שונים של מטופלים", אמר ד"ר נגוין.
בהינתן שכל הממוגרפיות במחקר היו שליליות לנוכחות סרטן, כל דבר שסומן כחשוד על ידי האלגוריתם נחשב לתוצאה חיובית שגויה. ציוני מקרים חיוביים כוזבים היו בסבירות גבוהה יותר בחולים שחורים ומבוגרים יותר (71-80 שנים) ופחות בקרב חולים אסייתים ומטופלים צעירים יותר (41-50 שנים) בהשוואה לחולים לבנים ונשים בין הגילאים 51-60.
"מחקר זה חשוב כי הוא מדגיש שכל תוכנת בינה מלאכותית שנרכשה על ידי מוסד רפואי עשויה לא לבצע ביצועים שווה בכל גילי המטופלים, הגזעים/המוצאים וצפיפות השד", אמר ד"ר נגוין. "בהמשך, אני חושב ששדרוגי תוכנת AI צריכים להתמקד בהבטחת גיוון דמוגרפי."
שיקולים לספקי שירותי בריאות
ד"ר Nguyen אמר שמוסדות הבריאות צריכים להבין את אוכלוסיית החולים שהם משרתים לפני רכישת אלגוריתם AI לבדיקת פרשנות ממוגרפיה ולשאול ספקים לגבי הכשרת האלגוריתם שלהם.
"היכרות בסיסית עם הדמוגרפיה של המוסד שלך ושואלת את הספק לגבי המגוון האתני והגילאי של נתוני ההכשרה שלהם יעזרו לך להבין את המגבלות שתתמודד מולן בפרקטיקה הקלינית", אמר.
