Utilization of artificial intelligence to diagnose stroke in magnetic resonance imaging

Stroke, tidligere kaldt slagtilfælde, er en akut tilstand, der forekommer overalt i verden og er en hyppig årsag til død og handicap. Det er nødvendigt at afklare den mulige årsag til patientens stroke hurtigt, da prognosen er tidsafhængig. Stroke kan overordnet opstå ved enten manglende blodforsyning eller ved blødning, og til at skelne mellem disse bruger man hjernescanninger. Scanning med Magnetisk resonans (MR) teknologi er blevet et tiltagende populært valg til billeddannelse af patienter med stroke. Der ses dog en stigende arbejdsbelastning på hospitalsafdelingerne, der udfører og tolker scanningerne, hvilket øger risikoen for fejlagtig eller forsinket diagnose.

Løsninger, der anvender kunstig intelligens (eng: artificial intelligence (AI)), er hastigt udviklende, og kommercielle løsninger lover at kunne afhjælpe de risici. For at disse løsninger kan sælges til hospitaler, skal de opnå et europæisk konformitetsmærke (CE-mærke), som kan tildeles, hvis de demonstrerer deres evne. Den udførte test, der demonstrerer evnen, foretages ofte på internt indsamlede data og er derfor ikke ensbetydende med, at AI løsningen har samme evne, når den implementeres. Dette er derfor nødvendigt at undersøge gennem grundigere forskningsstudier, der anvender eksternt indsamlede data.

Formålet med denne ph.d. var at undersøge muligheden i anvendelse af AI til at detektere og klassificere hjerneområder med manglende blodforsyning eller blødning i MR-skanninger hos patienter mistænkt for stroke.

Den systematiske litteraturgennemgang undersøgte alle tilgængelige forskningsartikler omhandlende emnet og konkluderede, at nuværende AI-teknologi med stor sikkerhed kan detektere områder med manglende blodforsyning med en følsomhed på 93% og en præcision på 93%, hvorimod der var et begrænset antal studier, der undersøgte detektion af blødning. Slutteligt påviste litteraturgennemgangen, at kun få af de markedsgodkendte produkters anvendelse til detektion er understøttet af forskning.

Detektionsstudiet undersøgte en kommercielt tilgængelig og markedsgodkendt AI for dens evne til at detektere hjernelæsioner i MR-scanninger af patienter mistænkt for havende stroke. Studiet undersøgte både AI’ens evne til at klassificere en MR-scanning samt identificere de enkelte læsioner på skanningsbillederne. Konklusionen på studiet var, at AI’en godt kunne detektere, men var ikke optimal til anvendelse på de hospitaler, der foretager behandling mod manglende blodforsyning ved stroke.

Mismatch-studiet (eng. For uoverenstemmelse) undersøgte en forbedret kommercielt udviklet AI, der kunne evaluere mismatch mellem diffusionssekvensen og FLAIR-sekvensen (eng. Fluid attenuated inversion recovery) til patienter med akut stroke, og særligt dem med manglende blodforsyning. Fem eksperter blev brugt til at afgøre den sande diagnose samt at bedømme variansen imellem eksperterne. Studiet fandt, at MR-scanninger, der har områder med manglende blodforsyning eller blødning, kan detekteres med AI. AI’ens mismatch evalueringer var betydeligt dårligere, end hvad der ville kunne forklares med varians mellem bedømmere, om end en AI-evaluering med lav mismatch med stor nøjagtighed kunne udelukke patientens tilstand som værende med høj mismatch.

Studierne i denne afhandling konkluderer, at det er muligt at anvende AI til at identificere MR-scanninger med manglende blodforsyning eller blødning, og at effekten af en sådan anvendelse bør undersøges i et fremadskuende studie