線維学的可能性の解き放たれ 線維化および炎症パターンの識別

科学分野:

• 放射線科
• 人工知能
• 肺医学

背景:

• インタースティシャル肺疾患 (ILD) は,イメージングパターンが重なり合っているため,診断に問題があります.
• 炎症性IBDと線維性IBDを区別することは,適切な患者管理に不可欠です.
• 高解像度コンピューティングトモグラフィー (HRCT) は詳細な肺画像を提供するが,解釈は複雑である.

研究 の 目的:

• HRCTを使用して線維性および炎症性ILDパターンを区別するための放射学ベースの人工知能 (AI) パイプラインを開発し,検証する.
• AIモデルのイディオパシー性肺線維症 (IPF) と結合組織疾患に関連する非特異性インタースティシャル肺炎 (CTD-NSIP) を区別する能力を評価する.
• COVID-19 などのウイルス性肺炎と炎症性肺炎を区別するモデルのパフォーマンスを評価する.

主な方法:

• 単一センターでの研究では,ILD患者 (84人,IPF患者 (34人,CTD-NSIP患者) とCOVID-19肺炎患者 (50人) が参加しました.
• ディープラーニングは,ILD領域の半自動セグメンテーションに使用され,その後に手動レビューが行われました.
• 分割された領域から103の放射性特徴が抽出され,XGBoostモデルが分類のために訓練されました. SHAPLEY ADDITIVE EXPLANATION (SHAP) は,特徴の解釈性のために使用されました.

主要な成果:

• AIモデルは,線維性および炎症性ILDパターンを区別する際に,平均テストセット精度0.91とAUROC0.98を達成しました.
• 主要な放射性特徴は,肺の形態学,強度分布,および質感の異質性における違いを特定した.
• このモデルは,細胞性NSIPとCOVID-19肺炎を平均0.89の精度で区別し,ウイルス性肺炎と比較して,炎症性ILDにおけるより均一なパターンを指摘した.

結論:

• 説明可能なAIと組み合わせた放射線学は,ILDの診断を支援する上で有意義な約束を示しています.
• このアプローチは,線維性および炎症性ILDのパターンを正確に区別し,炎症性ILDとウイルス性肺炎を区別することができます.
• この発見は,個別化されたILD管理のための診断の精度と定量的なサポートの強化の可能性を示唆しています.