开发和验证基于肺图的机器学习模型,用于预测胸部非对比计算断层扫描中的急性肺血栓栓塞
Mei Deng1, Anqi Liu1, Han Kang2
1Department of Radiology, China-Japan Friendship Hospital of Chinese Academy of Medical Sciences & Peking Union Medical College, Beijing, China.
Quantitative imaging in medicine and surgery
|October 23, 2023
概括
一种使用非对比CT扫描的新型机器学习模型显示了诊断急性肺栓塞 (APE) 的前景. 这种基于整体肺图的模型超过了放射科医生和YEARS算法,为APE诊断提供了潜在的新工具.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 计算机断层扫描肺血管图 (CTPA) 是诊断急性肺栓塞 (APE) 的标准.
- 单独使用非对比CT (NC-CT) 用于APE诊断的实用性尚未得到充分证实.
- 这项研究研究了NC-CT在APE诊断中的潜力,使用先进的机器学习.
研究的目的:
- 开发和验证基于肺图的整体机器学习 (HLG-ML) 模型,利用NC-CT进行APE诊断.
- 将HLG-ML模型的诊断性能与人类放射科医生和YEARS算法进行比较.
- 评估使用NC-CT作为APE的主要诊断工具的可行性.
主要方法:
- 178名接受NC-CT和CTPA治疗的患者被追溯分析.
- 使用从NC-CT图像中提取的放射特征构建了一个整体肺图 (HLG).
- 训练了8个机器学习模型,梯度增强决策树显示最佳性能.
- HLG-ML模型的诊断准确性与放射科医生和YEARS算法进行了验证.
主要成果:
- 梯度增强决策树HLG-ML模型在验证集中实现了0.810的AUC.
- 这一表现超过了三个独立放射科医生的表现 (AUC从0.504到0.527不等).
- 与YEARS算法相比,HLG-ML模型也表现出优异的性能 (AUC = 0.618).
结论:
- 提出的HLG-ML模型,利用NC-CT,在诊断APE时显著超过放射科医生和YEARS算法.
- 这种人工智能驱动的方法显示出作为APE诊断的有价值和有效工具的潜力.
- 与HLG-ML结合,NC-CT可能为初始APE评估提供一个可行的替代方案.
