基于深度学习通过胸部X线摄影检测肺结核的国际多国研究
图像与视频处理
2021-11-02 v2 人工智能
计算机视觉与模式识别
摘要
肺结核(TB)是全球十大死因之一。尽管WHO推荐胸部X线摄影(CXR)用于TB筛查,但CXR解读资源的有限可得性是一大障碍。我们训练了一个深度学习系统(DLS)以利用来自非洲、亚洲和欧洲9国的CXR检测活动性肺结核,并采用了大规模CXR预训练、注意力池化与噪声学生半监督学习。评估基于(1)覆盖中国、印度、美国和赞比亚的合并测试集,以及(2)南非独立的采矿人群。鉴于WHO 90%灵敏度和70%特异度的目标,DLS的工作点被预先指定为偏向灵敏度而非特异度。在合并测试集上,DLS的ROC曲线位于全部9名印度放射科医生之上,AUC为0.90(95%CI 0.87-0.92)。DLS的灵敏度(88%)高于印度放射科医生(平均灵敏度75%),优效性p<0.001;其特异度(79%)相对于放射科医生(平均特异度84%)非劣效,p=0.004。在HIV阳性与痰涂片阳性亚组以及南非测试集中观察到类似趋势。我们发现5名美国放射科医生( TB非流行地区)比印度放射科医生(TB流行地区)更敏感而特异度更低。DLS相对于美国放射科医生也保持非劣效。在模拟中,将DLS用作确诊检测的优先排序工具,相比单独使用确诊检测,每检出一例阳性病例的成本降低了40-80%。总之,我们的DLS泛化至5个国家,值得前瞻性评估以在放射科医生有限的环境中辅助具成本效益的筛查工作。工作点的灵活性可允许对DLS进行定制,以考虑站点特定因素如TB患病率、人口统计学、临床资源与常规实践模式。
引用
@article{arxiv.2105.07540,
title = {Deep learning for detecting pulmonary tuberculosis via chest radiography: an international study across 10 countries},
author = {Sahar Kazemzadeh and Jin Yu and Shahar Jamshy and Rory Pilgrim and Zaid Nabulsi and Christina Chen and Neeral Beladia and Charles Lau and Scott Mayer McKinney and Thad Hughes and Atilla Kiraly and Sreenivasa Raju Kalidindi and Monde Muyoyeta and Jameson Malemela and Ting Shih and Greg S. Corrado and Lily Peng and Katherine Chou and Po-Hsuan Cameron Chen and Yun Liu and Krish Eswaran and Daniel Tse and Shravya Shetty and Shruthi Prabhakara},
journal= {arXiv preprint arXiv:2105.07540},
year = {2021}
}