Diagnostische waarde van AI bij X-thorax wisselend

Artificiële intelligentie (AI) stelt vaak de juiste diagnose aan de hand van de X-thorax, maar is ook vaak foutpositief. Dit blijkt uit onderzoek van Louis Lind Plesner e.a. in Radiology.

In het onderzoek werden vier verschillende commerciële (volgens de Europese CE-markering gelabelde) X-thorax-AI-programma’s geëvalueerd. In retrospect werden 2040 thoraxfoto’s, verricht in vier verschillende Deense ziekenhuizen, door AI beoordeeld. Twee radiologen (of een derde als zij een andere mening hadden) beoordeelden de foto’s, mede aan de hand van de voorgeschiedenis en voorafgaande of vervolg-CT-scans of -thoraxfoto’s. Het oordeel van deze twee radiologen was de gouden standaard. 669 van die 2040 thoraxfoto’s (32,8%) hadden een afwijking, ofwel pneumothorax (n=78), pleuravocht (n=365) of emfyseem (n=393).

De AI-programma’s bleken een gemiddelde tot hoge sensitiviteit te hebben, variërend tussen de 62 en 95 procent. Het aantal foutnegatieve uitslagen was dus laag. De negatief voorspellende waarde zeer hoog, boven de 92 procent. Wel bleek AI vaker een foutpositieve uitslag te geven dan de uitslag zoals de radioloog in het betreffende ziekenhuis deze had afgegeven. De diagnostische waarde van AI bleek af te nemen naarmate het om kleinere afwijkingen ging, als de X-thorax meerdere afwijkingen bevatte, en bij AP-opnames (dus röntgenstraling bij zittende of liggende patiënten).

Kanttekeningen

In het editorial van Radiology wordt een aantal kanttekeningen bij de studie geplaatst en worden radiologen opgeroepen zich bewust te zijn van de beperkingen van AI. Een belangrijke beperking van deze studie is dat de beoordeling van de X-thorax niet is gedaan door radiologen met verschillende mate van ervaring, in vergelijking met de gouden standaard. Daarmee kan volgens hen beter inzichtelijk worden gemaakt hoe goed AI functioneert in de daadwerkelijke praktijk. Wat wel zou helpen in het verbeteren van de prestatie is wanneer AI-programma’s ook informatie over voorgaand beeldvormend onderzoek of de voorgeschiedenis van de patiënt meenemen.

https://pubs.rsna.org/doi/10.1148/radiol.231236

https://doi.org/10.1148/radiol.232139