Hiệu quả ứng dụng trí tuệ nhân tạo trong hỗ trợ chẩn đoán X-quang ngực
Từ khóa
DOI:
https://doi.org/10.52389/ydls.v21i1.2953Tóm tắt
Mục tiêu: Đánh giá hiệu quả ứng dụng phần mềm trí tuệ nhân tạo DrAid trong phân tích X-quang ngực thẳng. Đối tượng và phương pháp: Nghiên cứu mô tả cắt ngang trên 637 phim chụp X-quang ngực thẳng tại Bệnh viện Trung ương Quân đội 108 từ tháng 10/2024 đến tháng 03/2025. Đánh giá kết quả phân tích của AI DrAid về độ nhạy, độ đặc hiệu và diện tích dưới đường cong ROC (AUC), có so sánh với kết quả của bác sĩ chẩn đoán hình ảnh và tiêu chuẩn đối chiếu dựa trên cắt lớp vi tính. Kết quả: Với các loại tổn thương khác nhau, mô hình AI đạt độ nhạy dao động từ 64,58% đến 85,91%, độ đặc hiệu từ 83% đến 98,52%, và AUC từ 0,792 đến 0,885. AI có độ nhạy, độ đặc hiệu và AUC cao hơn so bác sĩ chẩn đoán hình ảnh cả khi đọc độc lập hoặc có sự hỗ trợ của AI đối với hầu hết trong số các tổn thương được khảo sát. Việc sử dụng AI giúp tiết kiệm trung bình 17,03 giây (tương đương 21%) thời gian phân tích phim. Kết luận: AI là công cụ hiệu quả trong việc hỗ trợ nâng cao chất lượng và hiệu suất chẩn đoán X-quang ngực thẳng. Tuy nhiên, cần hiểu rõ về đặc điểm, năng lực của công cụ AI để đạt được hiệu quả tốt nhất trong quá trình sử dụng.Lượt tải
Tài liệu tham khảo
1. Guillermo Avendaño Cervantes (2016), Radiographic quality, Technical Fundamentals of Radiology and CTIOP Publishing. p. 2-1-2-11.
2. Souhail Bennani, Nor-Eddine Regnard et al (2023) Using AI to Improve Radiologist Performance in Detection of Abnormalities on Chest Radiographs 309(3): 230860.
3. Lili Guo, Changsheng Zhou et al (2024) Deep Learning for Chest X-ray Diagnosis: Competition Between Radiologists with or Without Artificial Intelligence Assistance, Journal of Imaging Informatics in Medicine 37(3): 922-934.
4. Lind Plesner L, Müller FC et al (2023) Commercially Available Chest Radiograph AI Tools for Detecting Airspace Disease, Pneumothorax, and Pleural Effusion, Radiology, 308(3), p. e231236.
5. Y. Vasilev, A. Vladzymyrskyy et al. (2023), AI-Based CXR First Reading: Current Limitations to Ensure Practical Value, Diagnostics (Basel), 13(8).
6. J. Hofmeister N Garin et al (2024) Validating the accuracy of deep learning for the diagnosis of pneumonia on chest x-ray against a robust multimodal reference diagnosis: a post hoc analysis of two prospective studies, Eur Radiol Exp 8(1): 20.
7. Julius Henning Niehoff, Jana Kalaitzidis et al (2023) Evaluation of the clinical performance of an AI-based application for the automated analysis of chest X-rays, Scientific Reports 13(1): 3680.
8. Queralt Miró Catalina, Josep Vidal-Alaball et al (2024), Real-world testing of an artificial intelligence algorithm for the analysis of chest X-rays in primary care settings, Scientific Reports 14(1): 5199.
9. Ahn JS, Ebrahimian S et al (2022) Association of Artificial Intelligence-Aided Chest Radiograph Interpretation With Reader Performance and Efficiency, JAMA Netw Open 5(8): 2229289.
10. Shelmerdine SC, Langan D et al (2018) Chest radiographs versus CT for the detection of rib fractures in children (DRIFT): A diagnostic accuracy observational study. Lancet Child Adolesc Health 2(11): 802-811.
11. Self WH, Courtney DM et al (2013) High discordance of chest x-ray and computed tomography for detection of pulmonary opacities in ED patients: Implications for diagnosing pneumonia, Am J Emerg Med 31(2): 401-405.
12. Pamela G Anderson, Hannah Tarder-Stoll et al (2024) Deep learning improves physician accuracy in the comprehensive detection of abnormalities on chest X-rays, Scientific Reports 14(1): 25151.
13. Lee HW, Jin KN et al (2023) Artificial Intelligence Solution for Chest Radiographs in Respiratory Outpatient Clinics: Multicenter Prospective Randomized Clinical Trial. Ann Am Thorac Soc 20(5): 660-667.
14. Hussein Soleimantabar, Ali Mahdavi et al (2025) Artificial Intelligence in Radiology: Perceptions, Adoption Barriers, and Trust Among Iranian Radiologists in a Global Context & InfoScience Trends 2(3): 1-12.
15. Niehoff JH, Kalaitzidis J et al (2023) Evaluation of the clinical performance of an AI-based application for the automated analysis of chest X-rays. Sci Rep 13(1): 3680.
16. Banerjee I, Bhattacharjee K et al (2023) "Shortcuts" Causing Bias in Radiology Artificial Intelligence: Causes, Evaluation, and Mitigation. J Am Coll Radiol 20(9): 842-851.
17. Brandon G Hill, Frances L Koback et al (2024) The risk of shortcutting in deep learning algorithms for medical imaging research, Scientific Reports 14(1): 29224.
