突破放射学界限:在重建之前,通过原始数据重新定义AI诊断
Bingxi He1,2,3, Caixia Sun1,2,3, Hailin Li1,2,3
1Beijing Advanced Innovation Center for Big Data-Based Precision Medicine, School of Engineering Medicine, Beihang University, Beijing, People's Republic of China.
Physics in medicine and biology
|January 15, 2024
概括
这项研究引入了一种新的AI模型,该模型分析原始计算机断层扫描 (CT) 数据,绕过图像重建以提高肺结节的诊断准确性. 该模型与传统方法相比表现出更高的性能,为医学成像分析提供了一个新的范式.
科学领域:
- 医疗成像中的人工智能
- 放射学和医学诊断 医学诊断
- 计算病理学计算病理学
背景情况:
- 在AI医疗图像分析中,传统的"信号-图像-知识"范式在信号-图像重建过程中遭受信息扭曲,引入偏差.
- 计算机断层扫描 (CT) 重建算法虽然已经成熟,但仍会对诊断特征带来干扰,影响后续AI模型的准确性.
- 使用原始CT数据 (sinogram) 的直接方法可以减轻这些重建诱导的偏差,并提高诊断精度.
研究的目的:
- 开发和验证一种新的AI预测模型 (RCTM),该模型可以直接分析原始CT数据 (sinogram),绕过图像重建步骤.
- 评估CT重建对诊断特征的影响,并比较基于原始数据的AI模型与使用重建和原始CT图像的模型的性能.
- 探索"信号对人工智能"模式的潜力,以实现更准确的医学诊断.
主要方法:
- 模拟了"人-信号-图像"的工作流程,使用CT模拟数据和重建的CT图像.
- 开发了一种新的AI预测模型 (RCTM),具有定向,空间和全球分析模块,可以直接从原始CT数据 (sinogram) 中提取信息.
- 在1994年对固体肺结节的回顾性病例进行了模型评估,将其诊断性能 (AUC) 与在重建和原始CT扫描上训练的模型进行了比较.
主要成果:
- 大约14%的放射性特征显示原始和重建CT数据之间的显著差异 (斯皮尔曼相关性<0.8),证实了重建诱导的扰动.
- 拟议的RCTM实现了肺结节诊断曲线下的面积 (AUC) 为0.863,超过了使用二次重建CTs (0.840,0.822,0.825) 的模型.
- RCTM的性能与使用原始CT扫描的模型 (AUC 0.868,0.878,0.866) 非常接近,这表明直接从原始数据中获得高诊断准确度.
结论:
- 使用RCTM等人工智能模型直接分析CT原始数据,通过规避重建诱导的偏差来提高诊断精度.
- 拟议的"信号到AI"方法为医学成像中的传统"信号-图像-知识"范式提供了一个颠覆性的替代方案.
- 这种方法有可能在各种成像模式中得到更广泛的应用,为更准确,更可靠的AI驱动医学诊断铺平了道路.
