Sviluppo di un algoritmo di intelligenza artificiale per la classificazione automatica delle radiografie toraciche del gatto

As in other imaging diagnostic techniques, in the last years many computer-aided detection (CADe) software packages have been developed in radiology, to automatically classify radiographs that comply with specific standards. These algorithms are able to identify the radiographic signs with whom they have been trained. In this study, an algorithm able to identify the most common radiographic findings in the thorax of cats has been developed, trained, and tested. The considered radiographic signs are cardiomegaly, alveolar pattern, interstitial pattern, bronchial pattern, pleural effusion, pneumothorax, pneumomediastinum, pneumoderma, megaoesophagus, tracheal collapse, mass, diaphragmatic hernia, fractures, and no finding. For the algorithm development, 1741 thoracic radiographs (1062 latero-lateral, 679 ventro-dorsal and dorso-ventral) of different cats have been selected, evaluated, and categorized from a starting database of 2742 radiographs; only the radiographs with adequate patient positioning and exposure settings have been selected. These radiographs came from two different veterinary medical institutions, and have been acquired with three different x-ray apparatuses. For the ventro-dorsal and dorso-ventral radiographs have been considered too few after the selection, the algorithm has been trained only with, and for, radiographs in latero-lateral view. The algorithm has been developed twice and simultaneously, with the same data, on two different architectures of convolutional neural network (ResNet50 and Inception-v3); this allowed to compare the diagnostic performance of the two architectures, which turned out to have similar performances for all the radiographic signs considered.

Come anche altri ambiti della diagnostica per immagini, negli ultimi anni la radiologia ha visto lo sviluppo di diversi algoritmi di intelligenza artificiale che, implementati in appositi software di computer-aided detection (CADe), permettono di classificare in maniera automatica radiografie che rispondano a determinati standard, riconoscendo in esse i segni radiografici con cui tali software sono stati allenati. Nel caso in esame, si è provveduto allo sviluppo, all’allenamento ed alla verifica dell’accuratezza di un algoritmo in grado di riconoscere le lesioni più comuni nelle radiografie toraciche di gatti. I segni radiografici considerati sono cardiomegalia, pattern alveolare, pattern interstiziale, pattern bronchiale, versamento pleurico, pneumotorace, pneumomediastino, pneumoderma, megaesofago, collasso tracheale, masse, ernia diaframmatica, fratture, e l’assenza di lesioni (radiografie nei limiti della norma). Per lo sviluppo dell’algoritmo sono state selezionate, interpretate e categorizzate 1741 radiografie toraciche di diversi gatti (1062 latero-laterali, 679 ventro-dorsali e dorso-ventrali), ottenute dai database di due istituzioni differenti per mezzo di tre diversi apparecchi radiologici. Tali radiografie provengono da un database di partenza di 2742 radiografie, da cui sono state selezionate solo le radiografie con un posizionamento del paziente considerato idoneo ed una esposizione considerata corretta. Visto il numero esiguo di radiografie ventro-dorsali e dorso-ventrali a disposizione dopo la selezione, l’algoritmo è stato allenato solo con, e per, le radiografie latero-laterali. L’algoritmo è stato sviluppato parallelamente su due diverse architetture di reti neurali convoluzionali (ResNet50 e Inception-v3), il che ha permesso di confrontarne le performance in termini di accuratezza diagnostica. Le due architetture hanno fornito risultati molto simili per tutti i segni radiografici considerati.