新生儿肺部超声波的未来:用于解释肺部扫描的人工智能模型的验证. 一个多中心前性诊断研究

科学领域:

• 新生儿医学 新生儿医学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 人工智能 (AI) 为新生儿护理提供了一个有希望的途径.
• 肺部超声波 (LU) 是新生儿学家的宝贵诊断工具.
• 这项研究旨在开发一种AI模型来解释新生儿LU扫描.

研究的目的:

• 训练一个神经网络来解释新生儿肺部超声波.
• 评估人工智能模型预测需要呼吸辅助和表面活性剂治疗的能力.
• 为了比较人工智能模型的性能与已建立的肺超声波评分方法.

主要方法:

• 一项前性多中心研究包括62名新生儿 (妊娠年龄≥33周) 患有呼吸困扰.
• 在不同的时间点进行了三次LU扫描:在3小时内 (T0),4-6小时 (T1),以及在停止呼吸支后 (T2).
• 训练了一个神经网络来分类感兴趣的LU区域,并评估其性能,以预测持续正气道压力 (CPAP) 和表面活性剂的需求.

主要成果:

• 人工智能模型在预测CPAP (AUROC 0.88在T0,0.80在T1) 和表面活性剂治疗 (AUROC 0.84在T0,0.89在T1) 的需要方面表现强.
• 在AI和新生儿肺超声波得分 (nLUS) 两方面都确定了用于预测这些结果的特定切断值.
• 人工智能模型在图像和类级别上都实现了良好的分类准确性.

结论:

• 这项研究代表了第一个利用人工智能模型解释早期新生儿肺部超声波的已知尝试.
• 开发的AI模型显示了在临床决策中协助新生儿科医生的巨大潜力.
• 人工智能驱动的LU解释可以增强新生儿呼吸系统疾病的管理.