一个基于深度学习的算法改善了放射科医生在CT肺血管图像上对急性肺栓塞的诊断

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 肺栓塞 (PE) 是一个关键的诊断,通常使用CT肺血管造影 (CTPA) 进行.
• 放射科医生在解释CTPA时的诊断准确性可能有所不同.
• 深度学习 (DL) 算法在协助医学图像解释方面表现有前途.

研究的目的:

• 评估基于DL的算法对放射科住院医生在CTPA检测PE的诊断性能的影响.
• 为了比较诊断准确度和读者之间的协议,有和没有人工智能辅助.

主要方法:

• 使用DL算法分析了疑似急性PE患者的207个CTPA.
• 三名放射科住院医生两次解释CTPAs:首先没有AI,然后有AI协助.
• 通过将居民的解释与专家的共识进行比较来评估诊断性能,评估一致性和不一致性.

主要成果:

• DL算法分析了196个CTPA,其中15.8%的测试结果为PE阳性.
• 住户在AI支持下表现出更好的诊断性能 (AUROC 0.958与0.894).
• 人工智能援助显著增加了敏感性 (92.5%与81.7%) 和居民间协议 (kappa 0.88与0.77).

结论:

• 研究的DL算法有效地提高了放射科医生在CTPA上检测PE的诊断性能.
• 由人工智能驱动的工具提高了解释复杂医学成像研究的一致性和准确性.
• 这项技术有可能改善住院人员的培训和患者在诊断PE方面的护理.