开发基于肺图的机器学习模型,用于识别纤维化间歇性肺部疾病
Haishuang Sun1,2, Min Liu3,4, Anqi Liu5,6
1National Center for Respiratory Medicine, State Key Laboratory of Respiratory Health and Multimorbidity; National Clinical Research Center for Respiratory Diseases；Institute of Respiratory Medicine, Chinese Academy of Medical Sciences; Department of Pulmonary and Critical Care Medicine, China-Japan Friendship Hospital, Beijing, 100029, China.
Journal of imaging informatics in medicine
|February 12, 2024
概括
一个新的肺图形机器学习模型从HRCT扫描中准确识别纤维化间歇性肺病 (f-ILD). 与放射科医生相比,这种AI工具的诊断性能优于放射科医生,有助于早期f-ILD检测和干预.
科学领域:
- 放射学 放射学是指放射学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 准确检测纤维化间歇性肺病 (f-ILD) 对于及时的临床干预至关重要.
- 高分辨率计算机断层扫描 (HRCT) 是对ILD评估的关键成像方式.
- 当前的诊断方法可能是主观的,需要专家解释.
研究的目的:
- 开发和评估一种基于肺图的机器学习模型,用于识别f-ILD.
- 将机器学习模型的诊断性能与经验丰富的放射科医生进行比较.
主要方法:
- 基于肺图的机器学习模型是使用来自279名患者的HRCT数据 (156名f-ILD,123名非f-ILD) 开发的.
- 从肺部几何图谱中提取了局部放射学特征,以构建肺部图形模型.
- 训练了一个权重合奏模型来描述f-ILD诊断的全球放射学特征分布.
主要成果:
- 机器学习模型在患者层面实现了高诊断精度 (0.986).
- 该模型的分类精度明显超过了三个放射科医生的分类精度.
- 该模型的曲线下面积 (AUC) 值在统计学上高于放射科医生的值 (p < 0.05).
结论:
- 开发的基于肺图的机器学习模型有效地从HRCT中识别了f-ILD.
- 该模型的诊断性能超过了人类放射科医生的诊断性能,提供客观评估能力.
- 这种人工智能工具有可能在客观评估和诊断f-ILD时显著帮助临床医生.
