AI-drevet lunge-ultralyd overgår menneskelige eksperter i diagnosticering af tuberkulose

AI-drevet lunge-ultralyd overgår menneskelige eksperter i diagnosticering af tuberkulose

En skelsættende undersøgelse præsenteret i dag på ESCMID Global 2025 har vist, at en AI-drevet lunge-ultralyd overgår eksperter i diagnosticering af lungetuberkulose (TB) med 9 %.

Ultr-AI-pakken analyserer billeder fra bærbare, smartphone-tilsluttede ultralydsenheder, hvilket giver et sputumfrit, hurtigt og skalerbart alternativ til TB-detektion. Resultaterne overstiger Verdenssundhedsorganisationens (WHO) benchmarks for diagnosticering af lungetuberkulose og markerer en vigtig mulighed for tilgængelig og effektiv TB-triage.

På trods af tidligere globale fald steg TB-raterne med 4,6 % fra 2020 til 2023.2 og er de kritiske komponenter i WHO's End TB-strategi. Men i mange lande med høj belastning lider de betydeligt på grund af de høje omkostninger ved røntgen thorax og mangel på uddannede radiologer.

Disse udfordringer fremhæver det presserende behov for mere tilgængelige diagnostiske værktøjer. Ultr-AI-pakken bruger deep learning-algoritmer til at fortolke lunge-ultralyd i realtid, hvilket gør værktøjet mere tilgængeligt for TB-triage, især for minimalt uddannede sundhedsarbejdere i landdistrikter. Ved at reducere operatørens afhængighed og standardisere testen kan denne teknologi hjælpe med at diagnosticere patienter hurtigere og mere effektivt. “

Dr. Véronique Suttels,Hovedstudieforfatter

Ultr-AI-pakken inkluderer tre dyb læringsmodeller: Ultr-ai forudsiger TB direkte fra lunge-ultralydsbilleder; Ultrisch (Sign) fanger ultralydsmønstre, der fortolkes af menneskelige eksperter; og Ultr-AI (MAX) bruger den højeste risikoscore af begge modeller for at optimere nøjagtigheden.

Undersøgelsen blev udført i et tertiært bycenter i Benin, Vestafrika. Efter ekskluderinger blev 504 patienter inkluderet, hvoraf 192 (38%) blev bekræftet at have lunge-TB. I undersøgelsespopulationen var 15 % hiv-positive og 13 % havde en historie med tuberkulose. Der blev udført en standardiseret 14-punkts lunge-ultralydsglasscanningsprotokol, hvor menneskelige eksperter fortolkede billeder baseret på typiske lunge-ultralydsfund. En enkelt sputum molekylær test (MTB Xpert Ultra) tjente som referencestandard.

Ultr-AI (max) viste en sensitivitet på 93 % og en specificitet på 81 % (AUROC 0,93, 95 % CI 0,92-0,95), hvilket oversteg WHO's måltærskler på 90 % sensitivitet og 70 % specificitet for ikke-sputum-baseret TB-triage-testning.

"Vores model genkender klart de menneskeligt anerkendte lunge-ultralydsfund, som fanger lignende store konsolideringer og interstitielle ændringer - en end-to-end dyb læringstilgang fanger endnu mere subtile funktioner ud over det menneskelige øje," sagde Dr. Suttels. "Vi håber, at dette vil hjælpe med at identificere tidlige patologiske tegn såsom små, sub-centimeter pleurale læsioner, der er almindelige ved TB."

"En vigtig fordel ved vores AI-modeller er den umiddelbare ekspeditionstid, når de er integreret i en app," tilføjede Dr. Suttels. "Dette gør det muligt for lunge-ultralyd at fungere som en ægte point-of-care-test med god diagnostisk ydeevne ved triage, hvilket giver øjeblikkelige resultater, mens patienten stadig engagerer sig i sundhedspersonalet. Hurtigere diagnose kan også forbedre forbindelsen til plejen og reducere risikoen for, at patienter går tabt til opfølgning."

Kilder: