用于渐进性纤维化间歇性肺病的U-net卷积神经网络:CT扫描中的进展与临床结果有关吗?

科学领域:

• 医疗成像中的人工智能
• 放射学和定量成像技术
• 肺部医学和呼吸道疾病

背景情况:

• 卷积神经网络 (CNN),特别是U-Net架构,正在医学图像分析中出现.
• 评估纤维化间歇性肺病 (ILD) 的进展通常依赖于串行成像和临床数据.
• 开发用于客观ILD量化的人工智能工具对于预后至关重要.

研究的目的:

• 评估U-Net CNN用于评估纤维化间歇性肺病 (ILD) 的进展,使用常规CT扫描.
• 为了确定特定的ILD进展率 (PR) 门,表明预后不佳.
• 为了将ILD进展与临床结果 (如死亡率或肺移植) 相关联起来.

主要方法:

• 对CT扫描和32名患有异常纤维性ILD患者的临床数据的回顾性审查.
• 使用定制的U-Net CNN处理串行CT扫描来量化ILD程度.
• 使用接收器操作特征 (ROC) 曲线分析来确定预测不良预后的PR值.

主要成果:

• 在ILD量化和FVC变化之间发现了显著的相关性 (p = 0.004).
• 通过ROC分析确定了4%/年的最佳PR值 (AUC = 0.83,p < 0.001).
• 在前两年内PR≥4%/年的患者的预后明显较差 (p = 0.001).

结论:

• 一个U-Net CNN在常规CT扫描上有效量化了ILD进展.
• 以人工智能为驱动的方法成功识别了快速进展和不利结果的患者.
• 该工具有助于预测患有纤维化间歇性肺部疾病的患者的预后.