Wykrywanie ciał obcych w drogach oddechowych należy do największych wyzwań diagnostycznych w radiologii. Szczególnie problematyczne są obiekty przepuszczalne dla promieniowania rentgenowskiego, które mogą pozostawać niewidoczne na klasycznych zdjęciach i trudne do zauważenia nawet w tomografii komputerowej (TK). Najnowsze badania naukowców z University of Southampton, opublikowane w npj Digital Medicine, pokazują, że sztuczna inteligencja (AI) może przełamać te bariery. Opracowany model głębokiego uczenia wykrywa ukryte obiekty istotnie lepiej niż doświadczeni radiolodzy, podwajając liczbę zidentyfikowanych przypadków. Osiągnięcie to podkreśla rosnącą rolę AI jako narzędzia wspierającego diagnostykę trudnych i potencjalnie zagrażających życiu schorzeń.
Z tego artykułu dowiesz się…
- Jak sztuczna inteligencja przewyższyła doświadczonych radiologów w wykrywaniu ukrytych ciał obcych w drogach oddechowych.
- Dlaczego radioprzepuszczalne ciała obce są tak trudne do zauważenia nawet na tomografii komputerowej.
- Jak działa opracowany w University of Southampton model głębokiego uczenia i w jaki sposób łączy mapowanie dróg oddechowych z analizą obrazów TK.
- Jakie korzyści kliniczne może przynieść włączenie AI jako „drugiej pary oczu” w diagnostyce przypadków aspiracji ciał obcych.
Subtelne ciała obce – duże ryzyko kliniczne
Aspiracja ciała obcego (FBA) występuje wtedy, gdy przedmiot – najczęściej jedzenie, fragmenty roślin lub drobne elementy materiałów – trafia do dróg oddechowych, prowadząc do kaszlu, duszności, problemów z oddychaniem, a w niektórych przypadkach do ostrej niewydolności oddechowej.
Największym wyzwaniem są ciała obce przepuszczalne dla promieni rentgenowskich. Mogą być całkowicie niewidoczne na zdjęciach RTG i „prawie niewidoczne” w tomografii komputerowej. Szacuje się, że u dorosłych nawet do 75% przypadków FBA dotyczy obiektów przepuszczalnych dla promieni X, co zwiększa ryzyko opóźnienia lub błędu diagnostycznego. Jak podkreśla współautor badania, doktorant Zhe Chen:
Te obiekty mogą być niezwykle subtelne i łatwe do przeoczenia, nawet dla doświadczonych klinicystów.
Jak powstał model sztucznej inteligencji?
Zespół z Southampton, kierowany przez dr. Yihua Wanga, dr Zehor Belkhatir i prof. Roba Ewinga, opracował model głębokiego uczenia, który łączy:
- MedpSeg – wysokoprecyzyjne mapowanie dróg oddechowych,
- sieć neuronową analizującą obrazy TK pod kątem ukrytych sygnałów wskazujących na ciało obce.
AI została przeszkolona na danych ponad 400 pacjentów i przetestowana we współpracy ze szpitalami w Chinach. W teście porównawczym model zestawiono z wynikami trzech doświadczonych radiologów (każdy z >10-letnim doświadczeniem klinicznym). Zadaniem było przeanalizowanie 70 badań TK klatki piersiowej, w tym 14 przypadków FBA potwierdzonych bronchoskopią.
AI kontra radiolodzy – wyniki testów
Porównanie efektywności przyniosło jednoznaczne rezultaty:
Skuteczność wykrywania przypadków
- Radiolodzy wykryli 36% przypadków FBA.
- Model AI wykrył 71% przypadków – niemal dwukrotnie więcej.
To kluczowy wynik, ponieważ największym problemem klinicznym w FBA jest właśnie przeoczenie subtelnych sygnałów.
Precyzja
- Radiolodzy osiągali 100% precyzji, czyli brak wyników fałszywie dodatnich.
- AI – 77% precyzji, co oznacza pewną liczbę false positives.
Wynik F1 – najważniejszy wskaźnik równowagi
- Model AI: 74%
- Radiolodzy: 53%
Jak podsumował główny autor badania, dr Yihua Wang:
Wyniki pokazują realny potencjał sztucznej inteligencji w medycynie, szczególnie w przypadku schorzeń trudnych do zdiagnozowania za pomocą standardowych metod obrazowania.
AI nie zastąpi radiologów, ale znacząco ich wzmocni
W komentarzach naukowcy wyraźnie podkreślają, że celem technologii nie jest zastąpienie specjalistów, lecz znaczące wsparcie ich pracy. Jak podkreśla Zhe Chen współautor pierwszego badania z Uniwersytetu w Southampton:
Nasz model sztucznej inteligencji działa jak druga para oczu, pomagając radiologom wykrywać te ukryte przypadki wcześniej i niezawodnej.
W praktyce może to oznaczać:
- wcześniejsze rozpoznawanie FBA,
- krótszą drogę do bronchoskopii diagnostycznej,
- zmniejszenie ryzyka powikłań,
- większą pewność diagnostyczną w przypadkach niejednoznacznych.
Kierunek – badania wieloośrodkowe
Autorzy planują przeprowadzenie badań obejmujących większe, zróżnicowane grupy pacjentów, aby:
- udoskonalić model,
- ograniczyć ryzyko wyników fałszywie dodatnich,
- sprawdzić działanie AI w warunkach klinicznych.
To właśnie kolejne etapy mogą zdecydować o tym, czy narzędzie stanie się standardem w ocenie badań TK klatki piersiowej u pacjentów z podejrzeniem aspiracji.
Główne wnioski
- Model AI wykrył 71% przypadków FBA, podczas gdy radiolodzy zidentyfikowali jedynie 36%, co potwierdza dużą przewagę technologii w przypadkach trudnych diagnostycznie.
- Przepuszczalne dla promieni X ciała obce stanowią aż 75% przypadków FBA u dorosłych i są wyjątkowo trudne do zauważenia w badaniach obrazowych, co zwiększa ryzyko pominięcia diagnozy.
- Skuteczność AI w ocenie F1 wyniosła 74%, podczas gdy radiolodzy uzyskali 53%, co pokazuje większą równowagę między precyzją a czułością modelu.
- Naukowcy planują badania wieloośrodkowe na większych i bardziej zróżnicowanych populacjach, aby udoskonalić narzędzie i ograniczyć liczbę wyników fałszywie dodatnich.
Źródło:
- University of Southampton
- https://www.nature.com/articles/s41746-025-02097-w
