"KAIZEN"方法实现了在现实世界医院中实施COVID-19CT诊断的深度学习模型

科学领域:

• 医学成像 人工智能 医疗成像 人工智能
• 医疗保健中的深度学习
• 放射学人工智能的人工智能

背景情况:

• 现有的COVID-19诊断成像人工智能研究由于方法上的缺陷和实施挑战,往往缺乏临床实用性.
• 需要强大的AI模型,可以有效地集成到COVID-19诊断的临床工作流程中.

研究的目的:

• 开发和评估使用计算机断层扫描 (CT) 图像进行COVID-19分拣的深度学习模型.
• 通过遵守KAIZEN检查清单中概述的严格标准来解决先前的AI开发缺陷.

主要方法:

• 开发了两个二进制分类深度学习模型:用于病变检测的切片模型和用于患者感染识别的序列模型.
• 在来自日本12个急诊中心的2,400,200张CT切片的大数据集上训练并验证了模型.
• 使用曲线下的面积 (AUC) 和精度评估模型性能,并测量系统推断时间.

主要成果:

• 切片和系列模型在验证数据上实现了高性能,AUC分别为0.989和0.982,精度分别为95.9%和93.0%.
• 在测试数据上,模型表现出强的性能,AUC为0.958和0.953,精度为90.0%和91.4%.
• 该系统平均每个案例的推断时间为2.83秒,这表明其实际可用性.

结论:

• 开发的深度学习系统提供了高精度和快速推断,满足COVID-19诊断中的实际临床应用的要求.
• 该系统已经在四家医院实施,还有八家正在进行中,证明了成功的现实世界采用.
• 自由发布的应用软件和实施代码旨在促进AI在医学成像领域的全球使用和进一步发展.