Modern methods of computer interpretation of abdominal radiography: Experience of application in diagnostics

Микола Бортний

doi:10.63341/bmbr/2.2025.60

Автор(и)

Микола Бортний Харківський національний медичний університет https://orcid.org/0000-0001-7811-3580

DOI:

https://doi.org/10.63341/bmbr/2.2025.60

Ключові слова:

невідкладні стани органів черевної порожнини, оглядова рентгенограма органів черевної порожнини, якість візуалізації, штучний інтелект, автоматизований аналіз, прогностична цінність

Анотація

Метою дослідження було оцінити ефективність комп’ютерних методів інтерпретації рентгенограм органів черевної порожнини у клінічній діагностиці. Методологія включала проспективний аналіз, проведений з квітня 2023 року по лютий 2024 року у місті Харкові, Україна, за участю 312 пацієнтів віком 18-75 років із підозрою на гострі абдомінальні стани та контрольної групи з 50 пацієнтів, яким оглядова рентгенограма черевної порожнини проводилась з причин підозри на урологічну патологію та у яких цієї патології та патології з боку органів черевної порожнини виявлено не було. Інтерпретацію зображень здійснювали «вручну» двома лікарямирентгенологами та автоматизовано за допомогою двох систем штучного інтелекту. Результати показали, що автоматизована інтерпретація забезпечувала дещо вищі середні оцінки різкості (4,7 ± 0,3 проти 4,6 ± 0,4) і контрастності (4,6 ± 0,4 проти 4,5 ± 0,5) порівняно з ручною оцінкою, а також меншу кількість артефактів (4,5 ± 0,5 проти 4,2±0,6). Система Aidoc перевищила Zebra Medical Vision за чутливістю (93,6 % проти 89,1 %), специфічністю (95,4 % проти 94,7 %), позитивною прогностичною цінністю (91,8 % проти 88,2 %) і негативною прогностичною цінністю (96,7 % проти 92,5 %). Площа під кривою робочих характеристик приймача для Aidoc склала 0,972 проти 0,951 для Zebra Medical Vision. Коефіцієнти Каппа вказували на вищу узгодженість Aidoc із експертними оцінками при діагностиці кишкової непрохідності (κ = 0,92 проти 0,88) та пневмоперитонеуму (κ = 0,91 проти 0,85). Середній час інтерпретації одного знімка значно зменшувався при використанні Aidoc (1,4 ± 0,3 хв) порівняно з ручним аналізом (6,8±1,2 хв) і Zebra Medical Vision (1,9±0,4 хв). Дослідження показало, що застосування штучного інтелекту суттєво підвищує швидкість, точність та надійність аналізу рентгенограм органів черевної порожнини, оптимізуючи прийняття клінічних рішень у невідкладних ситуаціях. Практичне значення дослідження полягає у можливості істотного скорочення часу діагностики, підвищення точності виявлення критичних патологій та оптимізації ресурсів медичних закладів у наданні невідкладної (екстреної) допомоги

Отримано: 25.12.2024 | Переглянуто: 11.04.2025 | Прийнято: 27.05.2025

Біографія автора

Микола Бортний, Харківський національний медичний університет

Кандидат медичних наук, доцент 61000, просп. Науки, 4, м. Харків, Україна

Посилання

Grechanyk O, Abdullaiev RY, Lurin I, Humeniuk K, Negoduiko V, Sliesarenko D. Modern aspects of diagnosis of the abdominal gun-shot woundings. Experience of a hybrid war in the East of Ukraine. Ukr J Clin Surg. 2021;88(5-6):42–52. DOI: 10.26779/2522-1396.2021.5-6.42

Stepanova H, Lupyna O. Implementing advanced X-ray technologies at the Third Cherkasy City Emergency Hospital. Curr Issues Mod Med Bull Ukr Med Dent Acad. 2024;24(2):218–25. DOI: 10.31718/2077-1096.24.2.218

Nehria N, Nehria Y, Bukharin T. Radiology during a war – Experience in Ukraine. RöFo. 2025;197(2):145–53. DOI: 10.1055/a-2326-7724

Reis E, Blankemeier L, Chaves J, Jensen M, Yao S, Truyts C, et al. Automated abdominal CT contrast phase detection using an interpretable and open-source artificial intelligence algorithm. Eur Radiol. 2024;34:6680–7. DOI: 10.1007/s00330-024-10769-6

Elek A, Ekizalioğlu D, Güler E. Evaluating Microsoft Bing with ChatGPT-4 for the assessment of abdominal computed tomography and magnetic resonance images. Diagn Interv Radiol. 2025;31(3):196–205. DOI: 10.4274/dir.2024.232680

Sato J, Sugimoto K, Suzuki Y, Wataya T, Kita K, Nishigaki D, et al. Annotation-free multi-organ anomaly detection in abdominal CT using free-text radiology reports: A multi-centre retrospective study. eBioMed. 2024. DOI: 10.1101/2024.06.10.24308633

Liu Z, Zhao H, Fang X, Huo D. Abdominal computed tomography localizer image generation: A deep learning approach. Comput Methods Programs Biomed. 2022;214:106575. DOI: 10.1016/j.cmpb.2021.106575

Blankemeier L, Cohen J, Kumar A, Van Veen D, Gardezi S, Paschali M, et al. Merlin: A vision language foundation model for 3D computed tomography. 2024. DOI: 10.21203/rs.3.rs-4546309/v1

The World Medical Association. Declaration of Helsinki: Ethical Principles for Medical Research Involving Human Subjects [Internet]. [cited 2025 July 5]. Available from: https://www.wma.net/what-we-do/medical-ethics/declaration-of-helsinki/

Pickhardt P, Graffy P, Perez A, Lubner M, Elton D, Summers R. Opportunistic screening at abdominal CT: Use of automated body composition biomarkers for added cardiometabolic value. Radiograph. 2021;41(2):524–42. DOI: 10.1148/rg.2021200056

Means K, Voges A, Ritter N. Students with access to 3D study materials are better able to translate spatial relationships between abdominal organs and correctly interpret abnormal radiographic images. Vet Radiol Ultrasound. 2023;64(3):521–9. DOI: 10.1111/vru.13217

Naik S, Mishra G, Tiwaskar S, Luharia A. Comparative analysis and assessment of radiological investigation reports for abdomen and pelvic computed tomography scans. 2023. DOI: 10.12688/f1000research.138957.1

Li W, Qu C, Chen X, Bassi P, Shi Y, Lai Y, et al. AbdomenAtlas: A large-scale, detailed-annotated, & multi-center dataset for efficient transfer learning and open algorithmic benchmarking. Med Image Anal. 2024;97:103285. DOI: 10.1016/j.media.2024.103285

Xavier B, Chen P. Natural language processing for imaging protocol assignment: Machine learning for multiclass classification of abdominal CT protocols using indication text data. J Digit Imaging. 2022;35:1120-1130. DOI: 10.1007/s10278-022-00633-8

Hamghalam M, Moreland R, Gomez D, Simpson A, Lin H, Jandaghi A, et al. Machine learning detection and characterization of splenic injuries on abdominal computed tomography. Canadian Association of Radiologists Journal. 2024;75(3):534–41. DOI: 10.1177/08465371231221052

Kelm Z, Ron E, Olson M, Welle C, Johnson T, Boyum J. Concurrent chest and abdominal CT: Managing pitfalls of splitting interpretation by subspecialty. Radiograph. 2025;45(3):e240069. DOI: 10.1148/rg.240069

Glazer D, Budiawan E, Burk K, Shinagare A, Lacson R, Boland G, et al. Adoption of a diagnostic certainty scale in abdominal imaging: 2-year experience at an academic institution. Abdom Radiol. 2022;47:1187–95. DOI: 10.1007/s00261-021-03391-3

Stieger-Vanegas S, McKenzie E. Abdominal imaging in small ruminants: Liver, spleen, gastrointestinal tract, and lymph nodes. Vet Clin N Am Food Anim Pract. 2021;37(1), 55–74. DOI: 10.1016/j.cvfa.2020.10.001

Warner J, Hartman R, Blezek D, Thomas J. Abdominal and pelvic MRI protocol prediction using natural language processing. J Imaging Inf Med. 2025. DOI: 10.1007/s10278-025-01395-9

Kaur H, Kaur N, Neeru N. A comparative study of image enhancement algorithms for abdomen CT images. In: International Conference on Interdisciplinary Approaches in Technology and Management for Social Innovation. Gwalior: IEEE; 2024. P. 1–6. DOI: 10.1109/IATMSI60426.2024.10502768

Wolfe C, Halsey-Nichols M, Ritter K, McCoin N. Abdominal pain in the emergency department: How to select the correct imaging for diagnosis. Open Access Emerg Med. 2022;14:335–45. DOI: 10.2147/OAEM.S342724

Virarkar M, Jensen C, Klekers A, Wagner-Bartak N, Devine C, Lano E, et al. Clinical importance of second-opinion interpretations of abdominal imaging studies in a cancer hospital and its impact on patient management. Clin Imaging. 2022;86:13–9. DOI: 10.1016/j.clinimag.2022.03.014

Chhabra N, Christian E, Seseri V, George F, Rizvanolli L. Association of patient English proficiency and diagnostic imaging acquisition in emergency department patients with abdominal symptoms. J Emerg Med. 2023;65(3):172–9. DOI: 10.1016/j.jemermed.2023.05.020

Shaish H, Ream J, Huang C, Troost J, Gaur S, Chung R, et al. Diagnostic accuracy of unenhanced computed tomography for evaluation of acute abdominal pain in the emergency department. JAMA Surg. 2023;158(7):e231112. DOI: 10.1001/jamasurg.2023.1112

Hattori S, Yokota H, Takada T, Horikoshi T, Takishima H, Mikami W, et al. Impact of clinical information on CT diagnosis by radiologist and subsequent clinical management by physician in acute abdominal pain. Eur Radiol. 2021;31:5454–63. DOI: 10.1007/s00330-021-07700-8

Lee Y, Yoon S, Paek M, Han D, Choi M, Park S. Advanced MRI techniques in abdominal imaging. Abdom Radiol. 2024;49:3615–36. DOI: 10.1007/s00261-024-04369-7

Kaur H, Kaur N, Neeru N. Evolution of multiorgan segmentation techniques from traditional to deep learning in abdominal CT images – A systematic review. Disp. 2022;73:102223. DOI: 10.1016/j.displa.2022.102223

Moth A, Benning J, Glover J, Brown V, Pittock L, Woznitza N, et al. Concordance between a gastrointestinal consultant radiologist, a consultant radiologist and qualified reporting radiographers interpreting abdominal radiographs. Radiograp. 2023;29(2):408–15. DOI: 10.1016/j.radi.2022.12.008

Jain S, Sikka G, Dhir R. A systematic literature review on pancreas segmentation from traditional to non-supervised techniques in abdominal medical images. Artif Intell Rev. 2024;57:317. DOI: 10.1007/s10462-024-10966-1

Chen W, Zhang Y, Wu W, Yang H, Huang W. Machine learning-based predictive model for abdominal diseases using physical examination datasets. Comput Biol Med. 2024;173:108249. DOI: 10.1016/j.compbiomed.2024.108249

Cull J, Morrow D, Manasco C, Vaughan A, Eicken J, Smith H. A quality assessment tool for focused abdominal sonography for trauma examinations using artificial intelligence. J Trauma Acute Care Surg. 2024;98(1):111–6. DOI: 10.1097/TA.0000000000004425