基于深度学习算法的 GP 路径下英国 NHS 信托机构胸部 X 线正常片自主报告的真实世界性能
计算机视觉与模式识别
2023-06-29 v1
摘要
目的 分析当前作为诊断决策支持软件部署于两家 NHS 信托机构、用于在日常临床路径中识别正常胸部 X 线的深度学习(DL)算法的性能。材料与方法 该 DL 算法自 2022 年 12 月起部署于 Somerset NHS Foundation Trust (SFT),自 2023 年 3 月起部署于 Calderdale & Huddersfield NHS Foundation Trust (CHFT)。算法在部署前开发并训练,用于对每例全科医生(GP)申请的胸部 X 线(CXR)赋予异常评分。算法将异常评分最低的一部分检查分类为高置信正常(HCN),并向信托机构显示该结果。这项双中心研究纳入了算法在六周期间内处理的 4,654 例连续 CXR 检查。结果 当将 20.0% 的受评估检查(930 例)分类为 HCN 时,模型的阴性预测值(NPV)为 0.96。有 0.77% 的检查(36 例)被错误分类为 HCN,经审核的放射科医生认为这些异常均无临床意义。DL 软件维持了对临床医生的快速服务,结果返回信托机构的平均时间为 7.1 秒。结论 DL 算法错误率低,作为自动化诊断决策支持工具高度有效,可用于以高置信度自主将子集 CXR 报告为正常。移除 20% 的全部 CXR 减轻了报告者工作负担,并使放射科能将资源集中于其他方面。
引用
@article{arxiv.2306.16115,
title = {Real-World Performance of Autonomously Reporting Normal Chest Radiographs in NHS Trusts Using a Deep-Learning Algorithm on the GP Pathway},
author = {Jordan Smith and Tom Naunton Morgan and Paul Williams and Qaiser Malik and Simon Rasalingham},
journal= {arXiv preprint arXiv:2306.16115},
year = {2023}
}
备注
7 pages, 5 figures, 2 tables. Submitted to Clinical Radiology