对COVID-19肺病变的深度学习细分模型对低剂量胸部CTCT的价值和预后影响
Axel Bartoli1,2, Joris Fournel1,2, Arnaud Maurin1
1Department of Radiology, Hôpital de la Timone Adultes, AP-HM. 264, rue Saint-Pierre, 13385 Marseille Cedex 05, France.
Research in diagnostic and interventional imaging
|July 31, 2023
概括
一个深度学习模型在低剂量CT扫描上准确量化COVID-19肺部病变. 这种自动化量化改进了对患者结果的预测,有效地识别高风险个体.
科学领域:
- 放射学 放射学是指放射学
- 人工智能的人工智能
- 肺部病理学 肺部病理学
背景情况:
- COVID-19显著影响肺部健康,需要对肺部病变进行准确的评估.
- 低剂量计算机断层扫描 (LDCT) 对于可视化这些病变至关重要.
- 量化病变范围对于预后至关重要,但传统上是劳动密集型的.
研究的目的:
- 开发一个深度学习 (DL) 管道,用于量化LDCT的COVID-19肺病变.
- 评估DL衍生病变量化的预后能力.
主要方法:
- 一项回顾性单心研究利用了培训 (144名患者) 和测试 (30名患者) 数据集.
- 手动细分定义了正常肺部,地面玻璃不透明度 (GGO) 和整合 (Cons).
- 在1621名患者中,使用技术指标,体积/范围量化和预后准确性 (C-统计) 评估了DL模型的性能.
主要成果:
- DL细分实现了Dice系数 (0.75±0.08) 优于人类间观测者 (0.70±0.08;0.70±0.10) 和内观测者 (0.72±0.09) 的协议.
- 量化DL显示与参考标准的相关性比手工测量更强.
- 在对临床因素进行调整后,DL驱动的量化显著提高了预后准确性 (0.82对0.90;p<0.0001).
结论:
- 一个DL模型在LDCT上提供了可重现和准确的COVID-19肺病变细分.
- 自动化病变量化为识别高风险患者提供了独立的预后价值.
关键词:
酶转化酶 (ACE) 是一种酶转化酶.人工智能的人工智能是人工智能.体重指数 (BMI),身体质量指数.美国有线电视新闻网,卷积神经网络.在 COVID-19 疫情中,COVID-19,冠状病毒疾病 2019 年CT-SS,胸部断层扫描严重程度得分整合的缺点,整合的缺点这就是DL,深度学习.DSC,Dice的相似系数深度学习是一种深度学习.诊断成像诊断成像的使用GGO,地面玻璃的不透明性集中治疗室,重症监护室,重症监护室LDCT,低剂量计算机断层扫描.MAE,平均绝对误差的平均值.MVSF,平均体积相似度分数.多检测器计算机断层扫描.ROC,接收器的运行特征.
