基于CT的深度学习算法的开发和验证,以增强异常性肺纤维化异常性肺纤维化的非侵入性诊断

科学领域:

• 肺部医学 肺部医学
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 异形性肺纤维化 (IPF) 诊断依赖于在CT扫描上识别通常的间歇性肺炎 (UIP) 模式,并排除其他间歇性肺部疾病 (ILD).
• 基于CT的UIP模式识别中的诊断不确定性往往需要侵入性手术肺活检.
• 需要改进的非侵入性方法来增加IPF诊断.

研究的目的:

• 开发和验证用于IPF的非侵入性诊断的机器学习算法,仅使用CT成像.
• 增加IPF诊断的准确性,并可能减少对侵入性手术的需要.

主要方法:

• 使用CT图像作为输入,开发了一个深度学习卷积神经网络 (CNN).
• 该算法在2000多个ILD病例的多中心数据集上进行了训练,以预测IPF.
• 对美国队列 (n=295) 进行了算法调整,对来自欧洲和南美来源的单独队列 (n=295) 进行了外部验证.

主要成果:

• 该算法在区分IPF与调整集中的其他ILD时获得了0.87的AUC.
• 调组中的灵敏度和特异性分别为0.67和0.90.
• 外部验证也产生了0.87的c-统计,证明了不同CT扫描仪制造商和切片厚度的一致性能.

结论:

• 开发的深度学习算法有效地从单独的CT图像中识别IPF.
• 该算法在各种CT扫描仪制造商中展示了一致的性能和概括性.
• 这种人工智能工具显示出增强非侵入性IPF诊断的潜力,并减少对外科活检的依赖.