MI-DenseCFNet:基于深度学习的Aureus和Aspergillus肺炎的多式诊断模型
Tong Liu1, Zheng-Hua Zhang2, Qi-Hao Zhou3
1The Second Department of Respiratory and Critical Care Medicine, The First Affiliated Hospital of Kunming Medical University, No. 295, Xichang Road, Wuhua District, Kunming, Yunnan, 650032, People's Republic of China.
European radiology
|January 17, 2024
概括
一个新的诊断模型,MI-DenseCFNet,有效地区分了黄金菌肺炎 (SAP) 和菌肺炎 (ASP) 的高精度. 这种人工智能工具通过识别关键特征来帮助临床医生,改善初级医院的诊断.
科学领域:
- 医学成像分析分析 医学成像分析
- 人工智能在诊断中的应用
- 肺炎的分类 肺炎的分类
背景情况:
- 在临床上,区分黄金菌肺炎 (SAP) 和菌肺炎 (ASP) 是具有挑战性的.
- 准确和有效的诊断对于适当的治疗和患者的结果至关重要.
研究的目的:
- 开发和验证一个多模式诊断模型 (MI-DenseCFNet),集成深度学习和SAP和ASP差异化的临床特征.
- 用随机森林模型识别有助于诊断SAP和ASP的显著临床特征.
主要方法:
- 一个深度学习模型 (DenseNet) 与临床数据合并,创建了MI-DenseCFNet.
- 分析了60名确诊SAP或ASP患者的胸部CT图像和临床数据.
- 采用随机森林模型来选重要的临床特征.
主要成果:
- MI-DenseCFNet在内部验证集上获得了0.92的AUC,在外部验证集上获得了0.83的AUC.
- 该模型的诊断准确度高于初级和中级放射科医生 (78%对75%对60%).
- 随机森林模型确定了11个重要的临床特征.
结论:
- MI-DenseCFNet模型提供了SAP和ASP的有效和高效的诊断,优于初级放射科医生.
- 鉴定的临床特征为临床医生在诊断这些类型的肺炎方面提供了宝贵的见解.
- 这种由人工智能驱动的方法可以支持初级医疗保健机构的诊断能力,从而有可能减少对抗生素的滥用.
