Обзор метаанализов о применении искусственного интеллекта в лучевой диагностике

Введение. Искусственный интеллект (ИИ) – эффективный инструмент автоматизации рутинных процедур в лучевой диагностике. Вопрос диагностической точности алгоритмов ИИ в обнаружении различных патологий на данных лучевых исследований вызывает большой интерес у научного сообщества: число работ постоянно растет, появляются метаанализы, посвященные данной тематике. В связи с большим числом публикуемых результатов и их разнообразием возникает необходимость в систематизации данных.

Цель исследования: зонтичный систематический обзор современных метаанализов применения ИИ в лучевой диагностике.

Материал и методы. Поиск англоязычных статей осуществлялся в базе PubMed. Для полнотекстового анализа было отобрано 38 систематических обзоров с метаанализами 2021–2023 гг. Извлеченные данные включали: цель, дизайн, модальность лучевых исследований, объем выборок, показатели качества включенных работ, показатели диагностической точности ИИ, параметры референтной методики, показатели клинической эффективности внедрения алгоритма ИИ. Методологическое качество включенных систематических обзоров было оценено с помощью инструмента AMSTAR-2.

Результаты. Почти половина (47%) всех включенных метаанализов посвящена диагностике, стадированию и сегментации злокачественных новообразований. Четыре метаанализа выполнены в области стоматологии и посвящены детекции челюстно-лицевых структур, еще 4 метаанализа посвящены диагностике поражений мозга. По 3 метаанализа были посвящены диагностике COVID-19 и диагностике переломов. По одному метаанализу выполнено в области диагностики следующих патологий: колоректальные полипы, пневмоторакс, легочная эмболия, остеопороз, аневризмы, рассеянный склероз, острое нарушение мозгового кровообращения, внутричерепное кровоизлияние, ожоги, риск задержки внутриутробного развития. В 35 (92%) метаанализах проведена оценка риска систематической ошибки. Основной инструмент для оценки рисков – QUADAS-2, его использовали в 28 (80%) мет-анализах. Из 28 метаанализов риск систематической ошибки оценен как низкий в 14 (50%) обзорах, как средний – в 4 (14%), как высокий – в 10 (36%). Основные риски обусловлены несбалансированностью выборок по объему и составу, недостаточно подробным описанием использованных методик, малым числом проспектовых исследований и исследований с внешней валидацией данных. Обобщенные результаты свидетельствуют о том, что диагностическая точность ИИ сопоставима с диагностической точностью врачей, а иногда превосходит ее. Средние значения чувствительности, специфичности и площадь под ROC-кривой для ИИ и врачей составляют 85,2, 89,5, 93,5 и 84,4, 90,0, 92,8% соответственно. Впрочем, во многих исследованиях, сопоставляющих диагностическую точность ИИ и врачей, наблюдается недостаток информации по числу и опыту врачей, которые выступили в роли референс-теста. Результаты внедрения ИИ в диагностическую практику приводятся только в одном метаанализе.

Обсуждение. ИИ способен сократить время рентгенологического описания при несрочных обследованиях. В качестве инструмента верификации первичной врачебной классификации исследования ИИ эффективно выявлял ложноотрицательные результаты рентгенологов, но при этом эффективность выявления ложноположительных результатов оказалась неудовлетворительной. По результатам оценки качества систематических обзоров по AMSTAR-2 показано, что методики поиска, отбора и анализа литературы нуждаются в стандартизации и улучшении. Также необходима разработка специализированного инструмента для оценки качества систематических обзоров в области использования ИИ. В настоящее время ИИ является многообещающим инструментом оптимизации описания исследований лучевой диагностики благодаря высоким показателям диагностической точности. Однако необходимы дополнительные исследования по внедрению ИИ в клиническую практику. Также необходимы повышение качества методологии исследований и ее стандартизация.

1. Hosny A., Parmar C., Quackenbush J. et al. Artificial intelligence in radiology. Nat. Rev. Cancer. 2018; 18 (8): 500–510. http://doi.org/10.1038/s41568-018-0016-5

2. Sogani J., Allen B. Jr., Dreyer K., McGinty G. Artificial intelligence in radiology: the ecosystem essential to improving patient care. Clin. Imaging. 2019; 59 (1): A3–A6. https://doi.org/10.1016/j.clinimag.2019.08.001

3. Keane P.A., Topol E.J. With an eye to AI and autonomous diagnosis. NPJ Digital Medicine. 2018; 1: 40. https://doi.org/10.1038/s41746-018-0048-y

4. Владзимирский А.В., Гусев А.В., Шарова Д.Е., Шулькин И.М., Попов А.А., Балашов М.К., Омелянская О.В., Васильев Ю.А. Методика оценки уровня зрелости информационной системы для здравоохранения. Врач и информационные технологии. 2022; 3: 68–86. https://doi.org/10.25881/18110193_2022_3_68

5. Шарова Д.Е., Гарбук С.В., Васильев Ю.А. Системы искусственного интеллекта в клинической медицине. Первая в мире серия национальных стандартов. Стандарты и качество. 2023; 1: 46–51. https://doi.org/10.35400/0038-9692-2023-1-304-22

6. Kelly S., Kaye S.-A., Oviedo-Trespalacios O. What factors contribute to the acceptance of artificial intelligence? A systematic review. Telematics and Informatics. 2023; 77: 101925. https://doi.org/10.1016/j.tele.2022.101925

7. Page M.J., McKenzie J.E., Bossuyt P.M. et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ. 2021; 372: n71. https://doi.org/10.1136/bmj.n71

8. Shea B.J., Reeves B.C., Wells G. et al. AMSTAR 2: a critical appraisal tool for systematic reviews that include randomised or non-randomised studies of healthcare interventions, or both. BMJ. 2017; 358: j4008. https://doi.org/10.1136/bmj.j4008

9. Yoon J.H., Strand F., Baltzer P.A.T. et al. Standalone AI for Breast Cancer Detection at Screening Digital Mammography and Digital Breast Tomosynthesis: A Systematic Review and Meta-Analysis. Radiology. 2023; 307 (5): e222639. https://doi.org/10.1148/radiol.222639

10. Hickman S.E., Woitek R., Vi Le E.P. et al. Machine Learning for Workflow Applications in Screening Mammography: Systematic Review and Meta-Analysis. Radiology. 2022; 302: 88–104. https://doi.org/10.1148/radiol.2021210391

11. Kuo R.Y.L., Harrison C., Curran T.-A. et al. Artificial Intelligence in Fracture Detection: A Systematic Review and Meta-Analysis. Radiology. 2022. 304 (1): 50–62. https://doi.org/10.1148/radiol.211785

12. Xue Y., Zhou Y., Wang T. et al. Accuracy of Ultrasound Diagnosis of Thyroid Nodules Based on Artificial Intelligence-Assisted Diagnostic Technology: A Systematic Review and Meta-Analysis. Int J Endocrinol. 2022: 9492056. https://doi.org/10.1155/2022/9492056

13. Lex J.R., Di Michele J., Koucheki R. et al. Artificial Intelligence for Hip Fracture Detection and Outcome Prediction A Systematic Review and Meta-analysis. JAMA Network Open. 2023; 6 (3): e233391. https://doi.org/10.1001/jamanetworkopen.2023.3391

14. Gao L., Jiao T., Feng Q., Wang W. Application of artificial intelligence in diagnosis of osteoporosis using medical images: a systematic review and meta-analysis. Osteoporosis International. 2021; 32: 1279–1286. https://doi.org/10.1007/s00198-021-05887-6

15. Poly T.N., Islam M., Li Y.-C. J. et al. Application of Artificial Intelligence for Screening COVID-19 Patients Using Digital Images: Meta-analysis. JMIR Med. Inform. 2021; 9 (4): e21394. https://medinform.jmir.org/2021/4/e21394

16. Zhang X., Yang Y., Shen Y.-W. et al. Diagnostic accuracy and potential covariates of artificial intelligence for diagnosing orthopedic fractures: a systematic literature review and meta-analysis. Eur. Radiol. 2022; 32 (10): 7196–7216. https://doi.org/10.1007/s00330-022-08956-4

17. Sugibayashi T., Walston S.L., Matsumoto T. et al. Deep learning for pneumothorax diagnosis: a systematic review and meta-analysis. Eur. Respirat. Rev. 2023; 32: 220259. https://doi.org/10.1183/16000617.0259-2022

18. Thong L.T., Chou H.S., Chew H.S.J., Lau Y. Diagnostic test accuracy of artificial intelligence-based imaging for lung cancer screening: A systematic review and meta-analysis. Lung Cancer. 2023; 176: 4–13. https://doi.org/10.1016/j.lungcan.2022.12.002

19. Menon N., Guidozzi N., Chidambaram S., Markar S.R. Performance of radiomics-based artificial intelligence systems in the diagnosis and prediction of treatment response and survival in esophageal cancer: asystematic review and meta-analysis of diagnostic accuracy. Dis. Esophagus. 2023; 36 (6): doad034. https://doi.org/10.1093/dote/doad034

20. Xing W., Gao W., Lv X. et al. Artificial intelligence predicts lung cancer radiotherapy response: A meta-analysis. Artif. Intell. Med. 2023; 142: 102585 https://doi.org/10.1016/j.artmed.2023.102585

21. Zheng X., He B., Hu Y. et al. Diagnostic Accuracy of Deep Learning and Radiomics in Lung Cancer Staging: A Systematic Review and Meta-Analysis. Front. Public Health. 2022; 10: 938113. https://doi.org/10.3389/fpubh.2022.938113

22. Agarwal S., Wood D., Grzeda M. et al. Systematic Review of Artificial Intelligence for Abnormality Detection in High-volume Neuroimaging and Subgroup Meta-analysis for Intracranial Hemorrhage Detection. Clin. Neuroradiol. 2023; 33: 943–956. https://doi.org/10.1007/s00062-023-01291-1

23. Bedrikovetski S., Dudi-Venkata N.N., Kroon H.M. et al. Artificial intelligence for pre-operative lymph node staging in colorectal cancer: a systematic review and meta-analysis. BMC Cancer. 2021a; 21. https://doi.org/10.1186/s12885-021-08773-w

24. Bedrikovetski S., Dudi-Venkata N.N., Maicas G. et al. Artificial intelligence for the diagnosis of lymph node metastases in patients with abdominopelvic malignancy: A systematic review and meta-analysis. Artif. Intell. Med. 2021b; 113: 102022. https://doi.org/10.1016/j.artmed.2021.102022

25. Din M., Agarwal S., Grzeda M. et al. Detection of cerebral aneurysms using artificial intelligence: a systematic review and meta-analysis. J. NeuroIntervent. Surg. 2023; 15: 262–271. https://doi.org/10.1136/jnis-2022-019456

26. Xu H.-L., Gong T.-T., Liu F.-H. et al. Artificial intelligence performance in image-based ovarian cancer identification: A systematic review and meta-analysis. eClinicalMedicine. 2022; 53: 101662. https://doi.org/10.1016/j.eclinm.2022.101662

27. Sadr S., Mohammad-Rahimi H., Motamedian S.R. et al. Deep Learning for Detection of Periapical Radiolucent Lesions: A Systematic Review and Meta-analysis of Diagnostic Test Accuracy. J. Endodont. 2023; 49 (3): 248–261.e3. https://doi.org/10.1016/j.joen.2022.12.007

28. Komolafe T.E., Cao Y., Nguchu B.A. et al. Diagnostic Test Accuracy of Deep Learning Detection of COVID-19: A Systematic Review and Meta-Analysis. Acad. Radiol. 2021; 28 (11): 1507–1523. https://doi.org/10.1016/j.acra.2021.08.008

29. Wang Q., Ma J., Zhang L., Xie L. Diagnostic performance of corona virus disease 2019 chest computer tomography image recognition based on deep learning: Systematic review and meta-analysis. Medicine. 2022; 101: 42 (e31346). http://dx.doi.org/10.1097/MD.0000000000031346

30. Campello C.A., Castanha E.B., Vilardo M. et al. Machine learning for malignant versus benign focal liver lesions on US and CEUS: a meta‑analysis. Abdom. Radiology. 2023; 48: 3114–3126. https://doi.org/10.1007/s00261-023-03984-0

31. Dumitrescu E.A., Ungureanu B.S., Cazacu I.M. et al. Diagnostic Value of Artificial Intelligence-Assisted Endoscopic Ultrasound for Pancreatic Cancer: A Systematic Review and Meta-Analysis. Diagnostics. 2022; 12: 309. https://doi.org/10.3390/diagnostics12020309

32. Potipimpanon P., Charakorn N., Hirunwiwatkul P. A comparison of artificial intelligence versus radiologists in the diagnosis of thyroid nodules using ultrasonography: a systematic review and meta‑analysis. Eur. Arch. of Oto-Rhino-Laryngol. 2022; 279: 5363–5373. https://doi.org/10.1007/s00405-022-07436-1

33. Rescinito R., Ratti M., Payedimarri A.B., Panella M. Prediction Models for Intrauterine Growth Restriction Using Artificial Intelligence and Machine Learning: A Systematic Review and Meta-Analysis. Healthcare. 2023; 11: 1617. https://doi.org/10.3390/healthcare11111617

34. Abesi F., Jamali A.S., Zamani M. Accuracy of artificial intelligence in the detection and segmentation of oral and maxillofacial structures using cone-beam computed tomography images: a systematic review and meta-analysisn. Polish J. Radiol. 2023; 88: e256–e263. https://doi.org/10.5114/pjr.2023.127624

35. Badr F.F., Jadu F.M. Performance of artificial intelligence using oral and maxillofacial CBCT images: A systematic review and meta-analysis. Nigerian J. Clin. Pract. 2022; 25: 1918–1927. https://doi.org/10.4103/njcp.njcp_394_22

36. Soffer S., Klang E., Shimon O. et al. Deep learning for pulmonary embolism detection on computed tomography pulmonary angiogram: a systematic review and meta-analysis. Scientific Reports. 2021; 11: 15814. https://doi.org/10.1038/s41598-021-95249-3

37. Islam M., Poly T.N., Walther B.A. et al. Deep Learning for the Diagnosis of Esophageal Cancer in Endoscopic Images: A Systematic Review and Meta-Analysis. Cancers. 2022; 14 (23): 5996. https://doi.org/10.3390/cancers14235996

38. Xu Y., Ding W., Wang Y. et al. Comparison of diagnostic performance between convolutional neural networks and human endoscopists for diagnosis of colorectal polyp: A systematic review and meta-analysis. PLoS ONE. 2021; 16 (2): e0246892. https://doi.org/10.1371/journal.pone.0246892

39. Taib B.G., Karwath A., Wensley K. et al. Artificial intelligence in the management and treatment of burns: A systematic review and meta-analyses. J. Plast. Reconstructive & Aesthetic Surg. 2023; 77: 133–161. https://doi.org/10.1016/j.bjps.2022.11.049

40. Yang C., Qin L., Xie Y., Liao J. Deep learning in CT image segmentation of cervical cancer: a systematic review and meta‑analysis. Radiation Oncology. 2022; 17: 175 https://doi.org/10.1186/s13014-022-02148-6

41. Electronic resource: QUADAS-2, University of Bristol: https://www.bristol.ac.uk/population-health-sciences/projects/quadas/quadas-2/

42. Electronic resource: Radiomics Quality Score - RQS 2.0.: https://www.radiomics.world/rqs2

43. Kim H.Y., Cho S.J., Sunwoo L. et al. Classification of true progression after radiotherapy of brain metastasis on MRI using artificial intelligence: a systematic review and meta-analysis. Neuro-Oncology Advances. 2021; 3 (1): 1–12. https://doi.org/10.1093/noajnl/vdab080

44. Electronic resource: International Prospective Register of Systematic Reviews. https://www.crd.york.ac.uk/PROSPERO/

45. Adamou A., Beltsios E.T., Bania A. et al. Artificial intelligence-driven ASPECTS for the detection of early stroke changes in non-contrast CT: a systematic review and meta-analysis. J. NeuroIntervent. Surg. 2023; 15: e298–e304. https://doi.org/10.1136/jnis-2022-019447

46. Nabizadeh F., Ramezannezhad E., Kargar A. et al. Diagnostic performance of artificial intelligence in multiple sclerosis: a systematic review and meta-analysis. Neurol. Sci. 2023; 44: 499–517. https://doi.org/10.1007/s10072-022-06460-7

47. Arbabshirani M.R., Fornwalt B.K., Mongelluzzo G.J. et al. Advanced machine learning in action: identification of intracranial hemorrhage on computed tomography scans of the head with clinical workflow integration. NPJ Dig. Med. 2018; 1: 9. https://doi.org/10.1038/s41746-017-0015-z

48. Ginat D. Implementation of machine learning software on the radiology worklist decreases scan view delay for the detection of intracranial hemorrhage on CT. Brain Sci. 2021. 11 (7): 832. https://doi.org/10.3390/brainsci11070832

49. Salehinejad H., Kitamura J., Ditkofsky N. et al. A real-world demonstration of machine learning generalizability in the detection of intracranial hemorrhage on head computerized tomography. Sci. Reports. 2021; 11: 17051. https://doi.org/10.1038/s41598-021-95533-2

50. Владзимирский А.В., Омелянская О.В., Шулькин.И.М., Четвериков С.Ф., Семенов С.С., Новик В.П., Павлов Н.А., Арзамасов К.М., Андрейченко А.Е., Бобровская Т.М., Блохин И.А., Гомболевский В.А. MosMedData: НДКТ с признаков рака легкого. Свидетельство о государственной регистрации базы данных № 2023621253 Российская Федерация. MosMedData: НДКТ с признаками рака легкого: № 2023620623: заявл. 10.03.2023: опубл. 18.04.2023 / заявитель ГБУЗ города Москвы “Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы”.

51. Морозов С.П., Андрейченко А.Е., Блохин И.А., Гележе П.Б., Гончар А.П., Николаев А.Е., Павлов Н.А., Чернина В.Ю., Гомболевский В.А. MosMedData: датасет 1110 компьютерных томографий органов грудной клетки, выполненных во время эпидемии COVID-19. Digital Diagnostics. 2020; 1 (1): 49–59. https://doi.org/10.17816/DD46826

52. Гомболевский В.А., Харламов К.А., Пятницкий И.А. и др. Шаблоны протоколов описаний исследований по специальности “Рентгенология”. Компьютерная томография: Методические рекомендации № 23 / Москва: ГБУЗ города Москвы “Научно-практический центр медицинской радиологии Департамента здравоохранения города Москвы”, 2016а. 31 с.

53. Гомболевский В.А., Харламов К.А., Пятницкий И.А. и др. Шаблоны протоколов описаний исследований по специальности “Рентгенология”. Магнитно-резонансная томография: Методические рекомендации № 21 / Москва: Государственное бюджетное учреждение здравоохранения города Москвы “Научно-практический центр медицинской радиологии Департамента здравоохранения города Москвы”, 2016б. 41 с.

54. Aggarwal R., Sounderajah V., Martin G. et al. Diagnostic accuracy of deep learning in medical imaging: a systematic review and meta-analysis. NPJ Dig. Med. 2021; 4: 65. https://doi.org/10.1038/s41746-021-00438-z

55. Liu M., Wu J., Wang N. et al. The value of artificial intelligence in the diagnosis of lung cancer: A systematic review and meta-analysis. PLoS ONE. 2023; 18 (3): e0273445. https://doi.org/10.1371/journal.pone.0273445

56. Jørgensen M.D., Antulov R., Hess S., Lysdahlgaard S. Convolutional neural network performance compared to radiologists in detecting intracranial hemorrhage from brain computed tomography: A systematic review and meta-analysis. Eur. J. Radiol. 2022; 146: 110073. https://doi.org/10.1016/j.ejrad.2021.110073

57. Evangelista K., de Freitas Silva B.S., Yamamoto-Silva F.P. et al. Accuracy of artificial intelligence for tooth extraction decision‑making in orthodontics: a systematic review and meta‑analysis. Clin. Oral Invest. 2022; 26: 6893–6905. https://doi.org/10.1007/s00784-022-04742-0