在胸部计算机断层扫描上对多类肺炎分类进行深度学习模型的开发和验证:一个多中心和多读者研究

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:

• 准确的肺炎诊断对于有效管理和降低死亡率至关重要.
• 胸部CT扫描可以呈现重叠的特征,使肺炎与其他疾病的区分变得复杂.
• 区分病毒性肺炎,细菌性肺炎,真菌性肺炎和肺结核病在临床上具有重要意义.

研究的目的:

• 开发和验证一种深度学习 (DL) 模型,用于对胸部CT进行五种疾病的分类:病毒性肺炎 (VP),细菌性肺炎 (BP),真菌性肺炎 (FP),肺结核 (PTB) 和无肺炎 (NP).
• 评估DL模型与人类放射科医生的性能.

主要方法:

• 收集了1776例胸部CT病例的数据集,其中1611例用于模型开发,165例用于外部验证.
• 在模型培训中采用了五重交叉验证方法.
• 放射科医生的表现被评估与或没有DL模型的帮助,使用F1分数和AUC.等指标.

主要成果:

• 在外部测试组中,DL模型获得了高F1分:VP为0.933,BP为0.591,FP为0.848,PTB为0.795,NP为0.976.
• DL模型在内部和外部测试集中显示了可比的性能.
• DL模型的F1分数超过了放射科医生的F1分数,DL辅助显著提高了放射科医生的诊断F1分数和精度.

结论:

• 开发的DL模型有效地使用胸部CT成像对各种类型的肺炎进行分类.
• DL方法有可能提高放射科医生的诊断性能.
• 将DL工具集成到常规的临床工作流程中可以改善肺炎诊断和患者护理.