European Radiology：机器学习和深度学习对脑CT转诊的合理性分类

现阶段，影像学检查在医疗保健中发挥着关键作用，可以快速准确地诊断、治疗和监测一系列疾病。然而，影像学检查过度使用是十分常见的，导致了更高的医疗保健费用，增加患者了的辐射暴露和潜在的危害。现阶段，世界范围内的诊断成像量，特别是计算机断层扫描(CT)和磁共振成像(MRI)显著增加，导致不合理的低价值检查率上升。此外，美国食品和药物管理局估计，在美国，20-50%的CT扫描是不必要的。

目前，解决CT过度使用的可用方法包括引入新的诊断成像途径，提供替代成像、专家参与、成像后复核以及将每个转诊者的预约频率与部门平均水平进行比较的反馈。许多障碍降低了临床成像指南对低价值扫描频率的影响。这些障碍包括经济原因、设备可用性、缺乏对指导方针的熟悉、工作场所文化、自我转诊、患者期望以及最明显的执行效率低下。

两项研究通过将自然语言处理(NLP)应用于非结构化临床适应症，并将机器学习(ML)和深度学习(DL)技术用于二元分类:合理或不合理，证明了影像学转诊自动证明分析的可行性。

近日，发表在European Radiology杂志上的一篇研究训练了一项深度学习模型，该模型根据指南分类自动对影像科转诊进行合理性分析，并进一步确定预测模型在多个临床地点进行推广的能力。

本项研究回顾性收集了2020年和2021年在爱尔兰三个CT中心进行的成人脑计算机断层扫描(CT)转诊。两名放射技师使用指南分析了随机选择的3000例转诊的合理性，两名放射科专家分析了不同意的转诊。研究计算了放射技师和放射科专家之间的协议。并进行随机分割(4:1)，将机器学习(ML)和深度学习(DL)技术应用于非结构化临床适应症，以自动进行多类别分类的回顾性论证审计。同时，在测试集上计算每种类型中表现最好的分类器在训练集中的准确率和宏观平均F1分数。

最终，1909例(64.5%)为合理，811例(27.4%)为潜在合理，238例(8.1%)为不合理。放射技师之间的一致性(κ = 0.268)低于放射科医师(κ = 0.460)。表现最好的ML模型是基于词袋的梯度增强分类器，准确率为94.4%，宏观F1为0.94。DL模型较差，双向长短期记忆准确率为92.3%，宏观F1为0.92，优于多层感知器。

图 证明与每个临床相关的结果

本项研究表明，解释非结构化临床适应症具有挑战性，需要临床决策支持。机器学习和深度学习可以在多个临床站点进行推广，表现优于放射科专家，并且在回顾性审查放射学转诊时用作基于人工智能的指南解释基础。

原文出处：

Jaka Potočnik,Edel Thomas,Aonghus Lawlor,et al.Machine learning and deep learning for classifying the justification of brain CT referrals.DOI:10.1007/s00330-024-10851-z