Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com
PENELITIAN ASLI

Pembelajaran Mendalam dalam Neuroradiologi:Tinjauan Sistematis

Algoritme dan Pendekatan Saat Ini untuk Gelombang Baru Teknologi
Pencitraan

Anthony D. Yao, BS • Derrick L. Cheng, BA, BS • Ian Pan, MA • Felipe Kitamura, MD, MSc
Dari Warren Alpert Medical School of Brown University, Box G-9280, 222 Richmond St, Providence, RI (ADY, DLC, IP); dan Departemen Pencitraan Diagnostik,
Universidade Federal de São Paulo, São Paulo, Brasil (FK). Diterima 27 Februari 2019; revisi diminta 26 Maret; revisi diterima 6 November; diterima 22 November.
Alamat korespondensi keADI (email:anthony_yao@brown.edu).

Konflik kepentingan tercantum di akhir artikel ini.

Radiologi: Kecerdasan Buatan2020; 2 (2): e190026•https://doi.org/10.1148/ryai.2020190026•Kode konten:

Tujuan:Untuk meninjau dan mensintesis literatur saat ini secara sistematis dan untuk mengembangkan ringkasan karakteristik teknis dari aplikasi
pembelajaran mendalam yang ada di neuroradiologi.

Bahan dan metode:Item Pelaporan Pilihan untuk Tinjauan Sistematis dan Tinjauan Meta-Analisis dilakukan hingga 1 September 2019,
menggunakan database PubMed, Cochrane, dan Web of Science. Sebanyak 155 artikel yang membahas aplikasi pembelajaran mendalam
dalam neuroimaging diidentifikasi, dibagi dengan modalitas pencitraan, dan dicirikan oleh tugas pencitraan, sumber data, jenis algoritme,
dan metrik hasil.

Hasil:Sebanyak 155 studi diidentifikasi dan dibagi menjadi: MRI (n=115), MRI fungsional (n=19), CT (n=9), PET (n=18), dan AS (n=1). Tujuh adalah
multimodal. Aplikasi MRI dijelaskan dalam 74%, dan 76 (49%) ditugaskan dengan segmentasi gambar. Dari 155 artikel yang diidentifikasi dalam
penelitian ini, 65 (42%) diuji pada data institusional; hanya 16 yang divalidasi terhadap data yang tersedia untuk umum. Selain itu, 53 studi (34%)
menggunakan kumpulan data gabungan kurang dari 100, dan 124 (80%) menggunakan kumpulan data gabungan kurang dari 1000.

Kesimpulan:Meskipun pembelajaran mendalam telah menunjukkan potensi untuk masing-masing modalitas ini, tinjauan ini menyoroti beberapa kebutuhan di bidang
penelitian pembelajaran mendalam termasuk penggunaan kumpulan data internal tanpa validasi eksternal, tidak tersedianya metode implementasi, metrik penilaian
yang tidak konsisten, dan kurangnya validasi klinis. Namun, pertumbuhan yang cepat dari pembelajaran mendalam dalam neuroradiologi menjanjikan dan, karena
langkah-langkah dibuat untuk meningkatkan standardisasi, generalisasi, dan reproduktifitas, itu mungkin segera memainkan peran dalam diagnosis klinis dan
pengobatan gangguan neurologis.

Materi tambahan tersedia untuk artikel ini.

©RSNA, 2020

kecerdasan buatan (AI) menggambarkan penggunaan
SEBUAH
komputer atau mesin untuk meniru kognisi manusia (1,2).
Pembelajaran mesin (ML) adalah subbidang AI di mana model
dirancang untuk menghasilkan keluaran yang diinginkan dari
kumpulan data yang ada tanpa instruksi eksplisit. ML dapat
dibagi lagi menjadi pembelajaran yang diawasi dan tidak
diawasi. Dalam pembelajaran yang diawasi, model
memprediksi label atau hasil tertentu, misalnya, memprediksi
apakah gambar menggambarkan kucing atau anjing atau
menentukan apakah radiografi dada normal atau tidak
normal. Ini membutuhkan data input untuk secara eksplisit
diberi label dengan output yang diinginkan. Dalam
pembelajaran tanpa pengawasan, model menghasilkan
representasi data berdasarkan distribusi yang mendasarinya,
yang tidak memerlukan pelabelan eksplisit. Gambaran
karakteristik pembelajaran terawasi dan tidak terawasi dapat
dilihat pada Gambar 1. Pembelajaran mendalam (DL) dapat
dianggap sebagai subbidang ML yang menggunakan jaringan
saraf dalam (DNN) sebagai model untuk berbagai tugas yang
mencakup pembelajaran terawasi dan tidak terawasi.
Representasi dari arsitektur ML yang berbeda ditunjukkan
pada Gambar 2.
DNN dimodelkan setelah koneksi sinaptik di otak manusia.
DNN dapat digambarkan sebagai serangkaian lapisan neuron
dengan koneksi berbobot; bobot ini mencerminkan kekuatan
koneksi dan dapat disesuaikan dengan membandingkan keluaran
model dengan kebenaran dasar data yang diberi label. DL telah
melihat yang paling sukses dalam pengenalan gambar dengan
pengembangan arsitektur jaringan saraf convolutional (CNN). CNN
adalah DNN yang dirancang khusus untuk mengakomodasi
struktur intrinsik gambar, meskipun penggunaannya juga
melampaui pengenalan gambar. Untuk keterangan lebih lanjut,
lihat artikel ulasan yang diterbitkan oleh Chartrand et al (2).
DL telah menunjukkan potensi substansial dalam
neuroimaging karena volume tinggi data multimodal dan peran
penting dalam diagnosis penyakit neurologis. DL dapat
diimplementasikan di beberapa titik dalam perawatan pasien dan
telah menunjukkan kemanjuran dalam membuat triase gambar
prioritas tinggi, merekomendasikan studi tindak lanjut yang tepat,
dan mendeteksi lesi untuk manajemen jangka panjang (3-5). Selain
itu, aplikasi DL dalam neuroradiologi bertujuan untuk mengurangi
waktu diagnosis dan kesalahan dokter sambil memberikan
kemampuan kepada dokter dan peneliti untuk bekerja dengan
kumpulan data yang sangat besar atau tidak praktis.

Salinan ini hanya untuk penggunaan pribadi. Untuk memesan salinan cetak, hubungi reprints@rsna.org
Pembelajaran Mendalam di Neuroradiologi
Singkatan
ADNI = Alzheimer's Disease Neuroimaging Initiative, AI = kecerdasan
buatan, AUC = area di bawah kurva, CNN = convolutional neural
network, DL = deep learning, DNN = deep neural network, DSC = Dice
similarity coefficient, GRADE = Grading of Recommendations
Assessment, Development dan Evaluasi, ML = pembelajaran mesin,
PRISMA = Item Pelaporan Pilihan untuk Tinjauan Sistematis dan
Analisis Meta
Ringkasan
Meskipun bidang kecerdasan buatan dalam neuroradiologi telah berkembang
pesat selama beberapa dekade terakhir, standardisasi penelitian, generalisasi,
dan reproduktifitas diperlukan sebelum pembelajaran mendalam dapat
sepenuhnya diimplementasikan ke dalam praktik klinis.
Poin-poin Penting
n Dalam tinjauan sistematis ini, karakteristik teknis dari 155 aplikasi
pembelajaran mendalam untuk MRI, CT, MRI fungsional, PET, dan
pencitraan AS diidentifikasi dan dijelaskan.
n Pembelajaran mendalam telah menunjukkan potensi signifikan untuk
masing-masing modalitas pencitraan ini dan telah menunjukkan harapan
khusus untuk MRI untuk berbagai penyakit neurologis.
n Beberapa keterbatasan ada dengan aplikasi pembelajaran mendalam saat ini,
termasuk sampel dan ukuran studi, pengujian eksklusif dengan kumpulan data
pribadi atau institusional, tugas pencitraan yang sangat bervariasi dan kriteria
penilaian, reproduktifitas rendah karena kurangnya kode sumber terbuka, dan
integrasi minimal ke dalam praktik klinis.
Sampai saat ini, ada banyak ulasan yang diterbitkan dan artikel
utama peerreview yang menggambarkan peran AI dalam neuroradiologi
(2,4,6-10). Tujuan dari tinjauan sistematis ini adalah untuk mensintesis
literatur saat ini, menganalisis berbagai pendekatan dan hasil saat ini,
dan mendiskusikan peluang untuk penelitian dan standarisasi di masa
depan untuk mengembangkan ringkasan menyeluruh pertama dari
aplikasi DL dalam neuroradiologi.
Bahan dan metode
Pencarian literatur sistematis awal mengikuti pedoman Preferred
Reporting Items for Systematic Review and Meta-Analyses (PRISMA)
untuk tinjauan sistematis dilakukan hingga 1 September 2019,
menggunakan database PubMed, Cochrane, dan Web of Science.
Pencarian ini dilakukan dalam dua tahap—satu dari 1 Januari 2000
hingga 1 Juni 2019, dan pencarian identik kedua yang dilakukan dari
1 Juni 2019, hingga 1 September 2019, untuk memberikan informasi
yang lebih baru dan terkini. Istilah pencarian Boolean termasuk
salah satu dari berikut ini: "kecerdasan buatan" ATAU "jaringan
saraf" ATAU "pembelajaran mesin" ATAU "pembelajaran mendalam"
dalam kombinasi dengan istilah berikut: "neuroradiology" ATAU
"pencitraan otak" ATAU "neuroimaging." Judul subjek medis (atau
MESH) digunakan untuk stratifikasi studi lebih lanjut. Seorang
pustakawan universitas dikonsultasikan untuk mengevaluasi frase
pencarian dan database. Studi tambahan juga dimasukkan melalui
referensi artikel yang diidentifikasi dalam tinjauan literatur primer.
Diagram PRISMA ditunjukkan pada Gambar 3.
Hanya artikel literatur primer peer-review yang diterbitkan dalam
bahasa Inggris setelah 1 Januari 2000, dimasukkan dalam penelitian ini.
Artikel diperlukan untuk menggambarkan DL atau modalitas jaringan
saraf dan secara kuantitatif mengevaluasi DL atau jaringan saraf
2 radiologi-ai.rsna.orgnRadiologi: Kecerdasan BuatanJilid 2: Nomor 2—2020
modalitas. Artikel yang dikecualikan termasuk yang mengulas
bidang AI atau DL, menjelaskan teknologi yang mendasari
bidang tersebut, memberikan penilaian kualitatif AI, tidak
menjelaskan DL dalam konteks neuroradiologi, atau
memberikan metode atau hasil studi tidak langsung, tidak jelas,
atau tidak tepat per modifikasi Penilaian kriteria kelompok kerja
Penilaian, Pengembangan dan Evaluasi (GRADE) (http://
www.gradeworkinggroup.org/). Abstrak dan prosiding
konferensi yang tidak dipublikasikan dalam jurnal peer-review
tidak dimasukkan untuk menjaga kualitas studi dan untuk
menghindari representasi ganda dengan studi lanjutan.
Pengecualian ditentukan oleh dua pembaca (ADY, DLC) dan
dikonfirmasi secara independen oleh dua pembaca terpisah (IP,
FK). Kutipan untuk artikel yang dipertimbangkan untuk analisis
dicantumkan secara terpisah dalam Lampiran E1 (tambahan).
Data diekstraksi secara independen oleh dua peneliti neuroradiologi
mahasiswa terlatih (ADY, DLC) dengan latar belakang dalam tinjauan
sistematis, neuroimaging, dan penelitian ilmu data. Seorang praktisi DL
(FK) yang berpengalaman kemudian meninjau data yang diekstraksi dan,
jika perlu, menyelesaikan setiap temuan yang tidak konsisten. Data
diekstraksi ke dalam Microsoft Excel menggunakan formulir data internal
dan dikategorikan seperti yang dijelaskan nanti dalam artikel ini. Data
yang hilang diperoleh (IP) melalui tinjauan artikel yang cermat dan
pencarian literatur tambahan jika diperlukan; informasi yang tidak
termasuk dalam tinjauan ini tidak tersedia.
Artikel yang disertakan dibagi berdasarkan modalitas pencitraan.
Modalitas yang disertakan adalah CT, MRI fungsional, MRI, PET, dan US.
Artikel selanjutnya dikategorikan berdasarkan format jaringan saraf
(convolutional vs nonconvolutional) dan berdasarkan aplikasi (penyakit,
aplikasi). Untuk setiap aplikasi, tugas pencitraan, tujuan, sumber data,
jenis algoritme, metrik hasil, dan hasil kualitatif dievaluasi dan dilaporkan
menggunakan statistik deskriptif.
Hasil
Pada tinjauan literatur awal, 6920 artikel diidentifikasi; setelah
penghapusan duplikat, pengecualian artikel, dan pembaruan
pencarian literatur berikutnya, 155 artikel dimasukkan untuk
analisis. Rincian pencarian literatur dapat ditemukan pada
Gambar 3. Artikel dibagi dengan modalitas pencitraan: MRI (n=
115), MRI fungsional (n=19), CT (n=9), PET (n=18), dan AS (n=1).
Tujuh artikel menjelaskan aplikasi multimodal. Diagram yang
menggambarkan flowchart PRISMA dapat dilihat pada Gambar
3. Karena banyaknya jumlah artikel dan aplikasi DL, detail setiap
artikel telah dijelaskan secara terpisah. Tabel ekstensif dengan
detail untuk aplikasi individual dan kutipan yang relevan dapat
dilihat di Lampiran E1 (tambahan).
Artikel MRI
Seratus lima belas penelitian dilakukan menggambarkan DL
diterapkan pada MRI. Sebagian besar proyek menggambarkan
algoritma yang ditugaskan dengan klasifikasi gambar (n=25),
segmentasi (n=42), generasi (n=5), deteksi (n=10), rekonstruksi (
n=8), atau prediksi (n=20). Aplikasinya sangat bervariasi dan
berkisar dari penentuan usia otak dan prediksi timbulnya
penyakit Alzheimer hingga segmentasi tumor otak dan deteksi
lesi materi putih. Yang penting, sumber data dan kualitatif

Gambar 1:Klasifikasi arsitektur kecerdasan buatan.
Gambar 2:Ikhtisar pembelajaran yang diawasi versus pembelajaran tanpa pengawasan.
metrik penilaian sangat berbeda antara setiap proyek. Sumber
data penting termasuk Inisiatif Neuroimaging Penyakit
Alzheimer (ADNI), Tantangan Segmentasi Tumor Otak,
Tantangan Segmentasi Lesi Stroke Iskemik, dan berbagai
kumpulan data institusi swasta. Dari studi ini, 77 menggunakan
kumpulan data di mana:nlebih besar dari 100; hanya 18 set data
yang digunakan di mananlebih besar dari 1000. Sebagian besar
studi ini menggunakan CNN (n=94). Artikel dievaluasi
menggunakan berbagai metrik, termasuk area di bawah kurva
(AUC), Koefisien kesamaan dadu (DSC), akurasi, sensitivitas,
spesifisitas, atau metrik lainnya. Daftar lengkap tujuan aplikasi,
sumber data, tipe model, dan metrik penilaian dapat dilihat
pada Tabel E1 (tambahan).
Artikel MRI Fungsional
Sembilan belas artikel menjelaskan aplikasi DL dalam MRI
fungsional. Proyek-proyek ini terutama terdiri dari CNN (n = 10)
dan dirancang untuk mengevaluasi aktivitas otak selama
istirahat, tugas sensorimotor, dan gangguan kognitif ringan.
Sumber data antara lain ADNI, Consortium for Reliabil-
Radiologi: Kecerdasan BuatanJilid 2: Nomor 2—2020nradiologi-ai.rsna.org
Yao dkk
ity dan Reproduksibilitas, dan database kelembagaan. Artikel
dinilai menggunakan metrik yang berbeda. Metrik yang paling
umum adalah akurasi (n=18), diikuti oleh sensitivitas (n=
8) dan spesifisitas (n=8). Temuan dapat dilihat pada Tabel E2
(suplemen).
Artikel CT
Sembilan artikel diidentifikasi menggambarkan penggunaan DL
dalam pencitraan CT. Dari jumlah tersebut, semuanya adalah
CNN dua dimensi atau tiga dimensi. Tugas termasuk
pembuatan gambar (n=2), deteksi (n=2), klasifikasi (n=3),
prediksi (n=1), dan segmentasi (n=1) dengan tujuan mulai dari
rekonstruksi data CT hingga identifikasi perubahan otak setelah
perdarahan, penyakit Alzheimer, dan peristiwa traumatis.
Sumber data termasuk Icahn School of Medicine AI Consortium,
CT Low-Dose Grand Challenge, dan berbagai database institusi
swasta. Metrik bervariasi antara studi dan termasuk AUC,
sensitivitas, spesifisitas, nilai prediksi positif, nilai prediksi
negatif, waktu, dan kesalahan absolut rata-rata. Temuan
disajikan pada Tabel E3 (suplemen).
3
Pembelajaran Mendalam di Neuroradiologi

Gambar 3:Pedoman PRISMA untuk Diagram Alir Tinjauan Sistematis. A = Rekaman yang disaring berdasarkan tinjauan singkat terhadap judul
atau abstrak publikasi; makalah yang dikecualikan termasuk yang tidak berbahasa Inggris, diterbitkan sebelum tahun 2000, dan tidak
menjelaskan penelitian pembelajaran mendalam. B = Hanya artikel peer-review yang mengevaluasi modalitas pembelajaran mendalam dalam
neuroradiologi yang disertakan. Publikasi yang dikecualikan meninjau bidang teknologi, memberikan penilaian kualitatif pembelajaran
mendalam, memberikan analisis kuantitatif berkualitas rendah per Kriteria Kelompok Kerja GRADE, atau tidak menerapkan pembelajaran
mendalam untuk menyelesaikan tugas pencitraan. Silakan merujuk ke Metode untuk penjelasan lebih rinci. C = Pencarian literatur sekunder
dilakukan hingga 1 September 2019, menggunakan kriteria dan metodologi pencarian yang identik dengan temuan yang diperbarui.

Artikel PET
Delapan belas artikel membahas penggunaan DL dalam pencitraan
PET. Banyak dilakukan analisis multimodal PET dan MRI. Model
bervariasi dan termasuk CNN, DL multitrait, autoencoder
bertumpuk, jaringan saraf penduga rata-rata bersyarat, dan
jaringan permusuhan generatif. Tugas pencitraan bervariasi dan
termasuk klasifikasi (n=9), deteksi (n=2), generasi (n=4), rekonstruksi
(n=1), dan prediksi (n=2) digunakan terutama untuk penyakit
Alzheimer dan klasifikasi beban amiloid. Data dari studi ini diperoleh
dari ADNI, Seoul National University Hospital, Parkinson's
Progression Markers Initiative, dan database Korean Brain Aging
Study; sebagian besar divalidasi secara eksternal melalui ADNI (n=
13). Penilaian algoritma bervariasi dan meliputi akurasi, sensitivitas,
spesifisitas, dan waktu. Hasil dapat dilihat pada Tabel E4 (suplemen).
Artikel AS
Satu artikel diidentifikasi menggunakan CNN dua dimensi untuk mengelompokkan
dan mengklasifikasikan USG janin transventrikular. Studi ini menggunakan institusi
data tutorial (n=19838) dan dianalisis menggunakan DSC, precision,
dan recall. Proyek ini dijelaskan pada Tabel E5 (suplemen).
Diskusi
Peran AI dalam neuroradiologi telah menunjukkan pertumbuhan
yang luar biasa dalam 2 dekade terakhir. Dalam penelitian ini, kami
mengidentifikasi 155 artikel yang merinci aplikasi DL dalam
neuroimaging. Dari jumlah tersebut, mayoritas (74%)
menggambarkan aplikasi MRI dan 42 dari 115 (37%) algoritma MRI
ditugaskan untuk segmentasi gambar. Hal ini diharapkan karena
MRI menggunakan volume besar data gambar tiga dimensi mentah
dan mudah diizinkan untuk studi awal tugas ML dasar, seperti
segmentasi. Namun, dalam artikel ini, kami menyoroti beberapa
penelitian yang menjelaskan penggunaan DL dalam lima modalitas
pencitraan terpisah—MRI, MRI fungsional, CT, PET, dan AS—
digunakan dalam neuroradiologi dan diterapkan pada berbagai
penyakit neurologis yang sangat luas mulai dari penyakit Alzheimer.
dan cedera vaskular pada perkembangan otak janin dan neoplasma
serebral.

4 radiologi-ai.rsna.orgnRadiologi: Kecerdasan BuatanJilid 2: Nomor 2—2020


seperti klasifikasi citra, pembangkitan, regresi, deteksi, dan
rekonstruksi, antara lain. Teknik pencitraan baru ini dan
semakin banyak metrik penilaian yang tersedia
menggarisbawahi ekspansi cepat dan potensi klinis DL
dalam neuroradiologi.
Generalisasi, Reproduksibilitas, dan Nilai Klinis
Terlepas dari keberhasilan ini, artikel yang diidentifikasi dalam penelitian
ini menunjukkan penerapan klinis yang terbatas. Meskipun sejumlah
kecil kelompok telah memulai uji klinis, sebagian besar aplikasi DL
dirancang terutama untuk penelitian atau pengembangan arsitektur;
oleh karena itu, tidak ada skema pelaporan standar untuk model ML.
Dalam penelitian ini saja, kami mengidentifikasi lebih dari 15 metode
penilaian kuantitatif yang unik, masing-masing dengan pendekatan dan
unit pengukuran yang berbeda. Metrik yang paling umum digunakan
termasuk AUC (n=47), DSC (n=
57), sensitivitas (n=60), kekhususan (n=55), dan akurasi (n = 95).
Akibatnya, interpretasi studi dan perbandingan langsung atau meta-
analisis menantang bagi pembaca yang akrab dan tidak terbiasa
dengan ML.
Dari 78 artikel yang diidentifikasi dalam penelitian ini, 65 (42%) diuji pada
data institusional; hanya 16 dari 65 yang divalidasi terhadap data eksternal.
Selanjutnya, 53 (34%) studi menggunakan kumpulan data gabungan kurang
dari 100, dan 124 (80%) menggunakan kumpulan data gabungan kurang dari
1000. Temuan ini membatasi generalisasi model; karena kualitas dan ukuran
kumpulan data yang dilaporkan dapat memengaruhi hasil secara signifikan,
temuan yang diambil dari sumber data internal atau terbatas mungkin tidak
mencerminkan kualitas algoritme yang sebenarnya saat diuji terhadap sumber
daya eksternal. Meskipun temuan ini mungkin menantang dalam keadaan
ketika kumpulan data besar tertentu tidak tersedia untuk umum, sebagian
besar penelitian DL saat ini menggunakan data MRI dan CT mentah yang
sudah tersedia melalui kumpulan data sumber terbuka seperti ADNI,
Tantangan Segmentasi Tumor Otak, dan Tantangan Segmentasi Lesi Stroke
Iskemik. Karena jumlah database pencitraan seperti itu—khusus dan lainnya—
dikumpulkan, peneliti DL akan terus merasa lebih mudah untuk memvalidasi
algoritme mereka terhadap kumpulan data yang lebih besar dan lebih luas.
Reproduksibilitas juga sangat terbatas; hampir semua artikel yang
diidentifikasi dalam penelitian ini gagal menggambarkan metode
implementasi algoritma mereka. Sedangkan data medis berada di bawah
batasan privasi yang ketat, model dan bobot terkait tidak. Karena bidang ini
terus berkembang dan algoritme memerlukan validasi untuk penggunaan
klinis, peneliti mungkin perlu merilis model dan kode mereka agar pembaca
dapat mengevaluasi, mereproduksi, dan menguji data eksternal.
Akhirnya, sangat sedikit artikel yang memberikan validasi klinis untuk
model mereka. Sedangkan validasi model retrospektif dan lokal berguna,
kurangnya nilai klinis dapat mencegah pengembangan DL
diimplementasikan dalam pengaturan perawatan kesehatan. Ketika DL
pertama kali dikembangkan, penekanan ditempatkan pada pembuatan
model proof-of-concept berbasis penelitian. Seiring dengan kemajuan
teknologi ini, DL menjadi semakin terdemokratisasi dan nilai pelatihan
model tanpa membahas potensi kegunaannya dengan cepat
menghilang.
Putusnya hubungan antara ilmuwan AI dan dokter ini mungkin
dipengaruhi oleh pemahaman dokter yang terbatas tentang
teknologi AI dan DL. Namun, tumbuhnya kolaborasi antara
Radiologi: Kecerdasan BuatanJilid 2: Nomor 2—2020nradiologi-ai.rsna.org
Yao dkk
peneliti, dokter, dan ilmuwan komputer akan segera memungkinkan DL untuk
diintegrasikan secara efektif dalam praktik klinis. Demikian pula, standarisasi
yang lebih besar akan memungkinkan perbandingan dan meta-analisis di
masa depan untuk memberikan nilai klinis pada penelitian DL. Meskipun ada
insentif yang melekat terhadap berbagi data karena persaingan antara
peneliti, informasi yang ditekan secara langsung menghambat reproduktifitas
dan membatasi pengembangan bidang ini.
Keterbatasan dan Arah Masa Depan
Beberapa keterbatasan ada dalam penelitian ini. Pertama,
tinjauan sistematis secara inheren dibatasi oleh kriteria
pencarian; studi terbaru atau studi yang tidak termasuk
dalam pencarian yang dijelaskan mungkin tidak dimasukkan
atau mungkin secara subyektif dikeluarkan dari tinjauan. Ini
berlaku terutama karena sifat bidang AI yang berkembang
pesat. Keterbatasan ini diminimalkan dengan menggunakan
frasa pencarian Boolean yang tumpang tindih dan
konsultasi dengan pustakawan universitas. Selain itu, ulasan
ini hanya menggambarkan literatur peer-review dan tidak
menyertakan data internal atau tidak dipublikasikan. Karena
metode peninjauan, ada juga risiko bias pemilihan studi
yang ditangani dengan menggunakan beberapa peninjau
independen. Selanjutnya, di luar pencarian literatur awal,
penilaian kualitas formal dari artikel yang disertakan
dengan kriteria GRADE tidak dilakukan.
Dalam penelitian ini, kami mengidentifikasi keterbatasan substansial untuk
standarisasi pelaporan DL neuroradiologi, kemampuan generalisasi,
reproduktifitas, dan validitas klinis. Kami menyarankan bahwa peneliti masa
depan mengusulkan kerangka kerja dengan kriteria pelaporan khusus untuk
studi DL masa depan. Peneliti dapat mengambil manfaat dari penggunaan
struktur yang mirip dengan tabel yang disajikan dalam Lampiran E1
(tambahan) artikel ini; metrik standar yang umum digunakan dan berpotensi
sesuai dapat mencakup AUC, DSC, sensitivitas, spesifisitas, dan akurasi.
Penelitian lebih lanjut yang memvalidasi algoritma saat ini terhadap database
eksternal yang lebih besar juga diperlukan untuk menunjukkan generalisasi
model—terutama jika dikembangkan dan diuji hanya menggunakan data
internal pribadi. Akhirnya, kami merekomendasikan agar peneliti DL
membagikan atau menyediakan kode sumber terbuka untuk algoritme
mereka agar lembaga lain dapat memvalidasi data mereka lebih lanjut.
Crosstalk ini memungkinkan peneliti untuk menarik inspirasi dari studi serupa
dan mendorong gelombang baru pengembangan DL. Dengan mengatasi
setiap tantangan ini dan menunjukkan utilitas klinis, bidang DL dapat segera
diimplementasikan dalam perawatan pasien.
Kesimpulan
Bidang AI dalam neuroradiologi telah berkembang pesat dalam dekade
terakhir. Dalam penelitian ini, kami menyajikan ringkasan penelitian DL
saat ini, membandingkan temuan terbaru, dan mendiskusikan arah
untuk pekerjaan di masa depan. Ketika bidang ini terus berkembang dan
dokter menjadi terbiasa dengan AI, teknologi DL mungkin segera
memainkan peran utama dalam pencitraan, diagnosis, prognosis,
pengobatan, dan tindak lanjut penyakit neurologis.
Kontribusi penulis:Penjamin integritas seluruh studi, ADY, DLC, FK; konsep
studi/desain studi atau perolehan data atau analisis/interpretasi data, semua
penulis; penyusunan naskah atau revisi naskah untuk intelektual penting
5
Pembelajaran Mendalam di Neuroradiologi
konten, semua penulis; persetujuan versi final dari naskah yang dikirimkan, semua penulis; setuju
untuk memastikan setiap pertanyaan yang terkait dengan pekerjaan diselesaikan dengan tepat,
semua penulis; penelitian literatur, semua penulis; studi eksperimental, ADY; analisis statistik, DLC;
dan penyuntingan naskah, semua penulis.
Pengungkapan Benturan Kepentingan:ADYmengungkapkan tidak ada hubungan yang relevan.
DLCmengungkapkan tidak ada hubungan yang relevan.AKU PKegiatan yang terkait dengan artikel ini:
diungkapkan tidak ada hubungan yang relevan. Aktivitas yang tidak terkait dengan artikel ini:
konsultan untuk MD.ai (hubungan yang tidak terkait dengan pekerjaan saat ini dan tidak ada
pendanaan yang diterima dari entitas ini untuk penelitian ini. Hubungan lain: diungkapkan tidak ada
hubungan yang relevan.FKKegiatan yang terkait dengan artikel ini: diungkapkan tidak ada hubungan
yang relevan. Aktivitas yang tidak terkait dengan artikel ini: dipekerjakan oleh DASA (perusahaan
utama penulis) dan Universidade Federal de São Paulo (perusahaan sekunder penulis). Hubungan lain:
diungkapkan tidak ada hubungan yang relevan.
Referensi
1. Moravec H. Kapan perangkat keras komputer cocok dengan otak manusia? J Evol
Technol 1998; 1:1–12. https://jetpress.org/volume1/moravec.htm.
2. Chartrand G, Cheng PM, Vorontsov E, dkk. Pembelajaran mendalam: primer
untuk ahli radiologi. RadioGraphics 2017;37(7):2113–2131.
6 radiologi-ai.rsna.orgnRadiologi: Kecerdasan BuatanJilid 2: Nomor 2—2020
3. Titano JJ, Badgeley M, Schefflein J, dkk. Pengawasan jaringan saraf dalam
otomatis dari gambar tengkorak untuk peristiwa neurologis akut. Nat Med
2018;24(9):1337–1341.
4. Feng R, Badgeley M, Mocco J, Oermann EK. Manajemen stroke yang
dipandu pembelajaran mendalam: tinjauan aplikasi klinis. J Neurointerv
Surg 2018;10(4):358–362.
5. NielsenA, HansenMB, Tietze A,MouridsenK. Prediksi hasil jaringan dan penilaian
efek pengobatan pada stroke iskemik akut menggunakan pembelajaran
mendalam. Pukulan 2018;49(6)::1394–1401.
6. Zaharchuk G, Gong E, Wintermark M, Rubin D, Langlotz CP. Pembelajaran mendalam
dalam neuroradiologi. AJNR Am J Neuroradiol 2018; 39 (10): 1776–1784.
7. Jiang F, Jiang Y, Zhi H, dkk. Kecerdasan buatan dalam perawatan kesehatan: masa lalu, sekarang
dan masa depan. Stroke Vasc Neurol 2017;2(4):230–243.
8. Lee EJ, Kim YH, Kim N, Kang DW. Jauh ke dalam otak: kecerdasan buatan
dalam pencitraan stroke. J Stroke 2017;19(3):277–285.
9. Plis SM, HjelmDR, Salakhutdinov R, dkk. Pembelajaran mendalam untuk
neuroimaging: studi validasi. Front Neurosci 2014;8:229.
10. Akkus Z, Galimzianova A, Hoogi A, Rubin DL, Erickson BJ. Pembelajaran
mendalam untuk segmentasi MRI otak: keadaan seni dan arah masa depan. J
Digit Imaging 2017;30(4):449–459.