Sviluppo e test di un algoritmo basato sull'intelligenza artificiale per la valutazione automatica della qualità di radiografie toraciche latero-laterali di gatto

The radiographic investigation in Veterinary Medicine represents an important diagnostic tool, often used as a first screening in emergency situations or for pre-anaesthetic and pre-operative control of patients. Because medical imaging contributes significantly to the overall diagnostic process, it also represents a major potential source of diagnostic errors. Some of these errors, defined as technical errors, may be due to the incorrect positioning of the patient or the incorrect setting of radiographic parameters. Artificial Intelligence algorithms, increasingly widespread and used in veterinary image diagnostics, could be a useful tool for reducing technical errors, by underlying if and to what extent the radiographic image was not taken correctly, suggesting therefore to repeat the study and avoid incurring the incorrect interpretation of an image which may prove misleading. Steps were taken to develop, train and verify the effectiveness of an Artificial Intelligence algorithm in identifying lateral thoracic radiographs of cats that appear to be unusable for diagnostic purposes due to positioning and/or exposure errors. The algorithm was trained using a database of 2.158 lateral thoracic radiographic images of adult cats. During the training phase, each error was associated, through manual evaluation, with one or more of the following tags: Correct, Underexposed, Overexposed, Blurred, Rotated, Cut, Foreign_object, Neck_mispositioning and Limb_mispositioning. The images were then divided into Training, Validation and Test Sets, maintaining a balance between the labels applied. The images were converted from DICOM to MHA format to be used by the ResNet-50 Convolutional Neural Network, pre-trained on the ImageNet database. The accuracy of the model was assessed using the ROC curve and the area under it (AUC). Sensitivity, Specificity, PLR and NLR were also calculated for each of the errors considered. CNN performance was ranked based on AUC values, from excellent to poor. The algorithm was able to correctly classify qualitative errors in cat lateral chest radiographs with an overall accuracy of 78%. The errors most precisely identified were those classified as Overexposed, Cut and Limb_mispositioning. The accuracy was fair for Rotated, Foreign_object and Neck_mispositioning errors, while it was poor for the Blurred and Underexposed images. The author concludes that the algorithm based on Artificial Intelligence is a promising tool to be used in clinical practice in the future, by allowing the veterinarians to improve the accuracy of interpretation, and by limiting technical errors that can influence the radiographic diagnosis.

L’indagine radiografica in medicina veterinaria rappresenta un importante strumento diagnostico, spesso utilizzato come primo screening in situazioni di emergenza o di controllo preanestetico e preoperatorio dei pazienti. Poiché l’imaging medico contribuisce in modo determinante al processo diagnostico complessivo, rappresenta anche una delle principali fonti potenziali di errori diagnostici. Una parte di questi errori, definiti errori tecnici, possono essere dovuti all’errato posizionamento del paziente o all’errato settaggio dei parametri radiografici. Gli algoritmi di Intelligenza Artificiale, sempre più diffusi ed utilizzati nella diagnostica per immagini veterinaria, potrebbero rivelarsi un utile strumento per ridurre gli errori tecnici, indicando all’operatore se e in che misura l’immagine radiografica non è stata scattata in maniera corretta, suggerendo quindi di ripetere lo studio ed evitando di incorrere nell’errata interpretazione di un’immagine che può rivelarsi fuorviante. In quest’ottica, si è provveduto a sviluppare, allenare e verificare l’efficacia di un algoritmo di Intelligenza Artificiale nell’identificare le radiografie toraciche latero-laterali di gatto che risultano essere non utilizzabili ai fini diagnostici per errori di posizionamento e/o esposizione. È stato utilizzato un database di 2.158 immagini radiografiche toraciche latero-laterali di gatti adulti. In fase di addestramento, ad ogni alterazione della qualità radiografica è stato associato, tramite valutazione manuale, uno o più dei seguenti Tag: Correct, Underexposed, Overexposed, Blurred, Rotated, Cut, Foreign_object, Neck_mispositioning e Limb_mispositioning. Le immagini sono state successivamente suddivise in Set di Training, Validation e Test, mantenendo un equilibrio tra le etichette applicate. Le immagini sono state convertite da formato DICOM a MHA per permetterne l’utilizzo da parte delle Rete Neurale Convoluzionale ResNet-50, preaddestrata sul database ImageNet. L’accuratezza del modello è stata valutata utilizzando la curva ROC e l’area sottostante ad essa (AUC). Sono inoltre stati calcolati Sensibilità, Specificità, PLR e NLR per ognuno dei Tag qualitativi considerati. Le prestazioni della CNN sono state classificate in base ai valori di AUC, da eccellente a scarsa. L’algoritmo è stato in grado di classificare correttamente gli errori qualitativi nelle radiografie toraciche latero-laterali di gatto con un’accuratezza complessiva del 78%. Gli errori identificati con maggior precisione sono stati quelli relativi ai Tag Overexposed, Cut e Limb_mispositioning. L’accuratezza è risultata discreta per i Tag Rotated, Foreign_object e Neck_mispositioning, mentre è risultata scarsa per i Tag Blurred e Underexposed. Alla luce dei dati raccolti, l’autrice ritiene che l’algoritmo basato sull’Intelligenza Artificiale sia uno strumento promettente per essere utilizzato in futuro nella pratica clinica, permettendo di migliorare l’accuratezza dell’interpretazione da parte dei medici veterinari, limitando gli errori tecnici che possono influenzare la diagnosi radiografica.