在微侵袭性肺缩小术前肺 perfusion 的腹腔量化改善了术后结果的预测:一项试点研究
Kritika Subramanian1, Brett Muench1, Eugene Shostak2
1Department of Radiology, Division of Molecular Imaging and Therapeutics, New York Presbyterian Hospital, Weill Cornell Medicine, New York, New York, USA.
Clinical physiology and functional imaging
|July 8, 2023
概括
人工智能增强了严重肺气治疗的肺叶选择. 使用人工智能进行的一项新的5叶片分析显示,基于肺-输液比率,有望识别内支气管位的目标叶片.
科学领域:
- 肺部医学 肺部医学
- 放射学 放射学是一门学科.
- 人工智能在医学中的应用
背景情况:
- 肺内膜 (EBV) 放置是一种严重肺气的微创治疗方法,旨在减少通风不良和 perfused 叶片中的肺体积.
- 精确的叶片选择对于EBV治疗的成功至关重要,传统上依赖于呼吸系统的肺气囊分数和 perfusion 的定量成像.
- 最近的进展包括基于CT的人工智能 (AI) 算法用于裂识别,从而实现了增强的5叶片 perfusion 量化.
研究的目的:
- 评估一种新型人工智能驱动的5叶片分析算法的实用性,用于确定EBV放置的目标叶片.
- 为了比较人工智能增强的5叶片分析与常规区域解剖学用于肺 perfusion 量化.
- 为了研究瘤-输液比率在确定适合EBV治疗的叶片的潜力.
主要方法:
- 分析了来自43个人的输液SPECT/CT成像数据,使用传统的区域和AI增强的5叶片细分.
- 与标准区域细分相比,AI算法的性能被评估为非劣等性.
- 分析了4名经过EBV前成像检查的重度肺瘤患者的试点分队,以确定目标肺瘤-输液比率.
主要成果:
- 人工智能增强的5叶片分析被发现与传统的区域分析不逊色.
- 五叶片分析有助于确定单个叶片的肺和输液比率.
- 在一项试点分析中,肺瘤-输液比率大于3表明了EBV放置的潜在目标叶.
结论:
- 人工智能驱动的5叶片分析是用于肺 perfusion 量化常规区域分析的可行替代方案.
- 肺气与输血的比率,特别是超过3时,显示了作为EBV球选择的临床指标的潜力.
- 建议对更大的队列进行进一步的前性研究,以验证这些发现的临床实施.
