Lääketieteellisten kuvien segmentointiin kehitetty nnU-Net-syväoppimismenetelmä yhdistettynä 3D-ResNet-neuroverkkoon saavutti suuren diagnostisen tarkkuuden alaleuan murtumien havaitsemisessa ja erottelukyvyn niiden luokittelussa tietokonetomografiakuvista, kertoo Dentomaxillofacial Radiology -lehdessä julkaistu tutkimus.
Kasvojen luurakenteiden monimutkaisuuden vuoksi murtumien tunnistaminen voi olla haasteellista. Kiinalaistutkimuksessa selvitettiin sitä, miten tekoälyä voitaisiin käyttää apuna alaleuan murtumien havaitsemisessa ja luokittelussa tietokonetomografiakuvista. Tutkimusprojektissa koulutettiin ja validoitiin nnU-Net-syväoppimismenetelmää. Lisäksi murtumat luokiteltiin vaikeusasteen mukaan kolmeen eri tyyppiin valmiiksi koulutetulla 3D-ResNet-neuroverkolla. Vertailustandardina käytettiin kokeneiden radiologien tekemiä diagnooseja.
Retrospektiivisessä tutkimuksessa oli mukana 459 potilasta, joiden alaleuan murtumia oli hoidettu Sichuan yliopiston hammaslääketieteellisessä sairaalassa vuosina 2020–2023. Murtumat jaettiin kolmeen tyyppiin vaikeusasteen mukaan. Kuvista 320:tä käytettiin tekoälymallien opetukseen, 69:ää testaukseen ja 70:tä validointiin. Suorituskykyä arvioitiin herkkyyden ja tarkkuuden avulla. Tuloksia mitattiin ROC-käyrän (Receiver Operating Characteristic) alle jäävän pinta-alan (AUC) avulla.
Tulokset osoittivat hyvää tunnistustarkkuutta kaikissa aineistoissa (koulutus-, validointi- ja testi): herkkyys oli vähintään 0,94 ja tarkkuus vähintään 0,85 sekä potilas- että sovelletusti myös murtumatasolla. Algoritmilla pyrittiin saavuttamaan erityisesti korkea herkkyys, jotta murtumia jäisi mahdollisimman vähän havaitsematta. Koulutus- ja validointiaineistoissa jäi tunnistamatta vain yksi positiivinen potilas kummassakin, ja testiaineistossa kaikki positiiviset potilaat tunnistettiin oikein. Väärien positiivisten löydösten määrää pyrittiin myös minimoimaan.
Koulutusaineistossa 20 negatiivista potilasta luokiteltiin virheellisesti murtumapotilaiksi, kun taas validointi- ja testiaineistoissa vastaava määrä oli vain kaksi potilasta kummassakin.
Valittu neuroverkkomalli osoitti hyvää kykyä luokitella alaleuan erityyppiset murtumat. Haasteellisinta mallille oli luokitella lineaarinen murtuma, jossa luun siirtymä oli vähäinen. Murtumien luokittelussa kaikkien luokkien tarkkuus oli yli 0,718 ja keskimääräinen AUC-arvo oli 0,86.
Suuradiologi Viljami Jokihaan mukaan tutkimus on ajankohtainen, koska tekoälyä käytetään sairaaloissa jo apuna joidenkin natiivitutkimusten murtumadiagnostiikassa.
– Tekoälymallin suorituskykyluvut olivat melko hyviä, mutta ne pitää laittaa asiayhteyteen: käytännön työssä ihmistä edelleen tarvittaisiin, varsinkin tarkastamaan positiiviseksi ehdotetut löydökset, sillä esimerkiksi luunsisäiset verisuonet vaikuttivat olevan ainakin tälle algoritmille murtuman näköisiä.
Tekoälyalgoritmien integroiminen radiologien työnkulkuun voi tukea kliinistä diagnostiikkaa, helpottaa murtumien tunnistamista ja nopeuttaa tulosten tulkintaa.
– Käytännössä tärkeintä olisi, että tekoälymallin negatiiviset ennustearvot varsinaisessa potilasjoukossa olisivat korkeita, jotta voitaisiin luottaa, että tekoälyn seula ei vuoda, Jokihaka sanoo.
Tutkijoiden mukaan jatkossa tutkimuksia tulisi jatkaa todellisissa kliinisissä ympäristöissä ja tutkia tekoälyn integroimista kliiniseen työnkulkuun.
Lähde: Liu Y, Wang X, Tu Y, Chen W, Shi F, You M. Automatic detection of mandibular fractures on CT scan using deep learning. Dentomaxillofac Radiol 2025 Sep 1; 54(6): 502–509. doi: 10.1093/dmfr/twaf031.