Diese Studie wurde entworfen, um frei verfügbare offene TB-CXR-Datensätze als Trainingsdaten für unseren KI-Algorithmus zu verwenden. Anschließende Genauigkeitsanalysen wurden unter Verwendung unabhängiger CXR-Datensätze und tatsächlicher TB-Fälle aus unserem Krankenhaus durchgeführt. Alle Bilddaten wurden anonymisiert, um die Privatsphäre zu gewährleisten. Diese Studie wurde von der institutionellen Überprüfungskommission (IRB) des Kaohsiung Veterans General Hospital überprüft und genehmigt, die die Anforderung an eine informierte Zustimmung aufgehoben hat (IRB-Nr.: KSVGH23-CT4-13). Die Studie hält sich an die Grundsätze der Deklaration von Helsinki.
Der Trainingsdatensatz für TB-Detektion und ein anderer für die Erkennung von Abnormalitäten wurden aufgrund der bimodalen Verteilung prädiktiver Werte bei CXRs entwickelt. Zwei Modelle wurden trainiert, um CXRs mit abnormalen Befunden, die nicht auf TB hinweisen, effektiv von normalen oder TB-Fällen zu unterscheiden. Die Merkmale der CXR-Datensätze für das Training sind in Tabelle 1 zusammengefasst. Trainingsdatensatz 1 umfasst 348 TB-CXRs und 3806 normale CXRs aus verschiedenen offenen Datensätzen, während Trainingsdatensatz 2 1150 abnormalen CXRs und 627 normalen CXRs enthält.
Der Algorithmus Google Teachable Machine wurde verwendet, um die Bildklassifizierung in dieser Studie durchzuführen. GoogleTM nutzt Transfer-Learning, um die Trainingszeit für neuronale Netzwerke zu reduzieren. Die Hard- und Software für die Studie umfasst einen Intel Core i9-12900K CPU der 12. Generation, eine NVIDIA RTX A5000 GPU, 128 GB RAM und eine 4TB SSD. Zur externen Validierung wurden klinische CXR-Daten von unserem Krankenhaus gesammelt.
Die Analyse der Genauigkeit erfolgte anhand von ROC-Kurven, AUC, Sensitivität, Spezifität und anderen Metriken. Boxplots wurden zur Bewertung der Verteilung der vorhergesagten Werte der KI-Modelle verwendet. Die Formeln für die Genauigkeitsberechnungen sind ebenfalls angegeben. Die Ergebnisse wurden anhand von Validierungsdaten analysiert, die von klinischen Ärzten und Radiologen bewertet wurden.