在CT上使用临床和病理支持的诊断标签,分析机器学习分类器在间歇性肺部疾病病例中没有明确或可能的常见间歇性肺炎模式的验证性能,使用临床和病理支持的诊断标签

科学领域:

• 肺部医学 肺部医学
• 放射学中的人工智能
• 医学成像分析 医学成像分析

背景情况:

• 异形性肺纤维化 (IPF) 诊断可能具有挑战性,特别是当成像检测结果不典型时.
• 机器学习 (ML) 系统为非侵入性诊断支持提供了潜力.

研究的目的:

• 评估Fibresolve ML分类器在CT扫描上缺乏特征性或可能常见的间歇性肺炎 (UIP) 模式的情况下诊断IPF的性能.
• 通过放射学UIP模式定义的子组来评估分类器的准确性.

主要方法:

• 使用先前验证的ML分类器 (Fibresolve) 分析胸部CT图像以检测IPF特征.
• 在295名患者的多站点数据集上进行了子组分析,根据放射性UIP和可能的UIP指定对病例进行了分类.
• 在这些子组中评估分类器的性能 (灵敏度,特异性).

主要成果:

• 在没有明确或可能的UIP模式的情况下,Fibresolve分类器实现了IPF的估计灵敏度为56-65%,特异性为92-94%.
• 在非基根主导和不确定的地面玻璃模式的情况下正确识别了IPF,多学科讨论证实了这一点.

结论:

• Fibresolve ML分类器在诊断IPF方面具有实用性,特别是在没有典型的放射性UIP模式的情况下.
• 这种人工智能工具可以帮助临床医生诊断IPF,当成像解释是不确定的.