基于深度学习的自动测量模型的性能,用于测量胸部X射线影像上的心胸比率

科学领域:

• 放射学和医学成像学 医学成像学
• 医疗保健中的人工智能
• 心脏病学 诊断 心脏病学 诊断

背景情况:

• 深度学习 (DL) 模型用于测量胸部放射图上的心胸比率 (CTR) 需要严格的验证与专家放射科医生进行对比.
• 之前的研究往往缺乏全面的协议分析和读者测试.

研究的目的:

• 为了验证基于深度学习的商业CTR测量模型.
• 评估模型与胸部放射科医生之间的一致性.
• 为了评估模型的诊断性能,在读者测试中对各种胸部病理的心脏壮大病进行评估.

主要方法:

• 外部测试了基于DL的CTR模型,对160个前后胸部X射线影像进行了各种病理的测试.
• 在模型和两个放射科医生之间比较了类内相关系数 (ICC).
• 进行了阅读器测试,将模型的灵敏度和负预测值 (NPV) 与使用概率参考标准的五名放射科医生进行比较.

主要成果:

• DL模型与放射科医生有很强的一致性 (ICC 0.959与0.972),病理学上没有显著差异.
• 与放射科医生相比,该模型显示的整体灵敏度 (96.3%) 和NPV (95.6%) 不低于放射科医生.
• 然而,该模型在带有整合的X线图中表现出较低的灵敏度,在带有多叶流液或整合的X线图中表现出较低的NPV.

结论:

• 基于DL的CTR测量模型与专家放射科医生达成良好协议.
• 该模型对心血管壮大病的诊断性能与整体放射科医生的诊断性能相当.
• 在复杂的案件中,可能会降低性能,包括巩固或多流,需要进一步调查.