Articole

  • Articol complet
  • Cifre și date
  • Referințe
  • Citații
  • Valori
  • Licențierea
  • Reimprimări și permisiuni
  • PDF

Abstract

Inteligența artificială (AI) este un termen general care implică utilizarea unui computer pentru modelarea comportamentului inteligent cu o intervenție umană minimă. AI, în special învățarea profundă, a făcut recent pași substanțiali în sarcinile de percepție, permițând mașinilor să reprezinte și să interpreteze mai bine datele complexe. Învățarea profundă este un subset de AI reprezentat de combinația de straturi de neuroni artificiali. În ultimii ani, învățarea profundă a căpătat un mare impuls. În domeniul ortopediei și traumatologiei, s-au făcut unele studii folosind învățarea profundă pentru a detecta fracturile în radiografii. Studiile de învățare profundă pentru detectarea și clasificarea fracturilor pe tomografie computerizată (CT) sunt chiar mai limitate. În această revizuire narativă, oferim o scurtă prezentare generală a tehnologiei de învățare profundă: descriem (1) modalitățile prin care învățarea profundă a fost aplicată acum pentru detectarea fracturilor pe radiografii și examinări CT; (2) discutați ce valoare oferă învățarea profundă în acest domeniu; și în cele din urmă (3) comentează direcțiile viitoare ale acestei tehnologii.

complet

Cererile pentru servicii de radiologie, de exemplu, imagistica prin rezonanță magnetică (RMN), tomografia computerizată (CT) și radiografiile, au crescut dramatic în ultimii ani (Kim și MacKinnon 2018). În Regatul Unit, numărul de examinări CT a crescut cu 33% între 2013 și 2016 (Facultatea de Radiologie Clinică, Recensământul Forței de Muncă al Clinicii de Radiologie din Marea Britanie 2016 raport 2016). În Olanda, peste 1,7 milioane de examinări CT au fost efectuate în toate spitalele (Institutul Național pentru Sănătate și Mediu 2016). Această cerere va crește substanțial în următorii ani, rezultând o presiune considerabilă a forței de muncă. Pe de altă parte, există un deficit de radiologi din cauza unui decalaj în recrutare și a unui număr mare de radiologi care se apropie de pensionare. În plus, analiza imaginilor medicale poate fi adesea un proces dificil și care necesită mult timp. Inteligența artificială (AI) are potențialul de a aborda aceste probleme (Kim și MacKinnon 2018).

AI este un termen general care implică utilizarea unui computer pentru a modela comportamentul inteligent cu o intervenție umană minimă (Hamet și Tremblay 2017). Mai mult, AI, în special învățarea profundă, a făcut recent pași substanțiali în percepția datelor imagistice, permițând mașinilor să reprezinte și să interpreteze mai bine datele complexe (Hosny et al. 2018).

Învățarea profundă este un subset de AI reprezentat de combinația de straturi de neuroni artificiali. Fiecare strat conține un număr de unități, în care fiecare unitate este o reprezentare simplificată a unei celule neuronice, inspirată de structura sa din creierul uman (McCulloch și Pitts 1943). Astăzi, algoritmii de învățare profundă sunt capabili să se potrivească și chiar să depășească oamenii în aplicații specifice sarcinilor (Mnih și colab. 2015; Moravčík și colab. 2017). Învățarea profundă a transformat domeniul tehnologiei informației prin deblocarea soluțiilor pe scară largă, bazate pe date, la ceea ce a fost cândva probleme care consumă mult timp.

În ultimii ani, învățarea profundă a câștigat un mare avânt (Adams și colab. 2019). Studii recente au arătat că învățarea profundă are capacitatea de a efectua interpretări complexe la nivelul specialiștilor din domeniul sănătății (Gulshan și colab. 2016, Esteva și colab. 2017, Lakhani și Sundaram 2017, Lee și colab. 2017, Olczak și colab. 2017, Ting și colab. 2017, Tang și colab. 2018). În domeniul traumatologiei ortopedice, s-au făcut o serie de studii folosind învățarea profundă în radiografii pentru a detecta fracturile (Brett și colab. 2009, Olczak și colab. 2017, Chung și colab. 2018, Kim și MacKinnon 2018, Lindsey și colab. 2018, Adams și colab. 2019, Urakawa și colab. 2019). Cu toate acestea, studiile care efectuează învățarea profundă în fracturi pe CT sunt rare (Tomita și colab. 2018).

În această recenzie narativă, oferim o scurtă prezentare generală a tehnologiei de învățare profundă; (2) descrie modalitățile prin care învățarea profundă a fost aplicată pentru detectarea fracturilor pe radiografii și examinări CT până acum; (3) discutați ce valoare oferă învățarea profundă în acest domeniu; și în cele din urmă (4) comentează direcțiile viitoare ale acestei tehnologii.

Tehnologia inteligenței artificiale

Învățarea profundă (DL) este o familie de metode, care face parte dintr-un câmp larg de învățare automată și un câmp mai larg de inteligență artificială (Figura 1). Acești algoritmi sunt unificați prin ideea de a învăța din date în loc să urmeze instrucțiuni specificate în mod explicit. Acest nivel de abstractizare face ca algoritmii Deep Learning să fie aplicabili pentru a rezolva o varietate de probleme într-o serie de câmpuri cantitative (LeCun et al. 2015).

Publicat online:

Figura 1. Vizualizarea sub-familiei de inteligență artificială.

Figura 1. Vizualizarea sub-familiei de inteligență artificială.

Învățarea profundă a demonstrat performanțe remarcabile pentru rezolvarea sarcinilor de prelucrare a imaginilor semantice. Cireșan și colab. (2012) au demonstrat că DL poate depăși performanța oamenilor cu un factor de 2 în recunoașterea semnelor de trafic. Thompson și colab. (2014) au arătat că DL a depășit în mod semnificativ tehnicile de ultimă generație existente pentru estimarea poziției umane. Chen și colab. (2015) au evaluat potențialul DL în aplicația de conducere autonomă. ImageNet (Russakovsky și colab. 2015) a demonstrat că DL poate fi aplicat cu succes la o varietate de sarcini specifice imaginii și poate obține performanțe de ultimă generație. După succesul DL în câmpul vizual pe computer, domeniul imagisticii medicale a început să adopte aceste metode pentru rezolvarea propriilor probleme, cum ar fi, de exemplu, clasificarea imaginii medicale (Gao și colab. 2017; ), segmentarea imaginii medicale (Cha și colab. 2016; Dou și colab. 2017; Roth și colab. 2018) și reducerea zgomotului (Chen și colab. 2017; Wolterink și colab. 2017). Datorită abstractității mari a algoritmilor DL, nu este necesar să se schimbe metodologia atunci când se trece de la o problemă dintr-un câmp în alt câmp. Mai mult decât atât, prin utilizarea acestei așa-numite abordări de învățare prin transfer, algoritmii DL sunt capabili să beneficieze de succesele anterioare, chiar dacă modelul rezolva o problemă diferită (Yang et al. 2018).

Stratul DL esențial este compus dintr-un număr de neuroni care într-o anumită măsură imită activitatea unei celule neuronice (Figura 2). Fiecare neuron din strat are propria greutate w pentru fiecare conexiune de intrare și valoarea de polarizare b, unde fiecare greutate w reprezintă puterea pentru conexiunea particulară, iar valoarea de polarizare b ne permite să schimbăm funcția de activare împreună cu suma ponderată a intrările în neuron, controlând valoarea la care va declanșa funcția de activare. Cu alte cuvinte, fiecare greutate w definește cât de multă influență intrarea corespunzătoare va avea asupra ieșirii neuronului și a polarizării b, permițând modelului să se potrivească mai bine cu datele. Pentru a crea ieșirea pentru neuron și a introduce neliniaritatea în decizia neuronului, una dintre funcțiile de activare, g, este aplicată la ieșirea neuronului z.

Publicat online:

Figura 2. Vizualizarea modelului de neuroni artificiali. Unde A1 - AN sunt intrările, W1 - WN sunt greutățile pentru conexiunile de intrare la neuron, b este valoarea de polarizare, z este ieșirea din neuron.

Figura 2. Vizualizarea modelului de neuroni artificiali. Unde A1 - AN sunt intrările, W1 - WN sunt greutățile pentru conexiunile de intrare la neuron, b este valoarea de polarizare, z este ieșirea din neuron.

Găsirea și clasificarea fracturilor pe radiografii și imagini CT cu sensibilitate și specificitate ridicate pot fi asistate sau chiar înlocuite de sistemul DL automatizat cu precizie ridicată. Având în vedere câteva mii de imagini, putem rezolva mai multe probleme cu DL. Folosind modele precum VGG16 (Simonyan and Zisisserman 2015), Inception V3 (Szegedy et al. 2015) și Xception (Chollet 2016), putem clasifica imaginile, de exemplu pentru a detecta dacă există o fractură sau chiar a face diferența între fractură tipuri. Având în vedere adnotările casetei de delimitare sau etichetele pentru regiunile de interes, putem instrui modele precum ResNet (He și colab. 2016), U-net (Ronneberger și colab. 2015), Mask-RCNN (He și colab. 2017), Faster-RCNN (Ren et al. 2015) pentru problema de detectare și segmentare a fracturilor. Arhitecții DL menționați au fost folosiți pe scară largă în comunitatea DL și și-au demonstrat eficiența în rezolvarea unor astfel de sarcini (Ruhan și colab. 2017, Li și colab. 2018, Couteaux și colab. 2019, Li și colab. 2019, Lian și colab. 2019, Zhu și colab. 2019).

Aplicații ale IA în detectarea fracturilor

Un studiu similar realizat de Chung și colab. (2018) și-a propus să evalueze capacitatea învățării profunde de a detecta și clasifica fracturile de humerus proximal utilizând radiografii simple ale umărului AP. Rezultatele rețelei CNN au fost comparate cu evaluarea specialiștilor (medici generali, chirurgi ortopedici și radiologi). Setul lor total de date consta din 1.891 de radiografii AP simple și au folosit un model pre-antrenat ResNet-152, care a fost ajustat la seturile lor de date de fractură de humerus proximal. CNN antrenat a arătat performanțe ridicate în a distinge umerii normali de fracturile proxime ale humerusului. În plus, s-au găsit rezultate promițătoare pentru clasificarea tipului de fractură pe baza radiografiilor simple ale umărului AP. CNN a prezentat performanțe superioare celor ale medicilor generali și ale chirurgilor ortopedici generali și o performanță similară cu cea a chirurgilor ortopedici specializați în umăr. Acest lucru indică posibilitatea diagnosticării și clasificării automate a fracturilor de humerus proximal și a altor fracturi sau boli ortopedice diagnosticate cu exactitate folosind radiografii simple (Chung și colab. 2018).

Valoarea învățării profunde în radiologie/traumatologie ortopedică

După cum se vede din exemplele de învățare profundă în radiologie descrise mai sus, există potențiale beneficii pentru dezvoltarea și integrarea sistemelor de învățare profundă în practica de zi cu zi, în detectarea fracturilor, precum și sarcinile de caracterizare a fracturilor (Figura 3). În general, utilizarea învățării profunde ca adjuvant la practicile standard din cadrul radiologiei are potențialul de a îmbunătăți viteza și acuratețea testelor de diagnostic în timp ce scade forța de muncă din cauza descărcării radiologilor umani din sarcini care necesită mult timp. Pe lângă aceasta, sistemele de învățare profundă sunt supuse unor capcane ale diagnosticului bazat pe om, cum ar fi varianța inter și intra-observator. Învățarea profundă, aplicată în setările de cercetare academică, poate cel puțin să se potrivească și uneori să depășească performanța umană în detectarea și clasificarea fracturilor pe radiografii simple și scanări CT.