慢性肺炎阶段检测:利用自测图形神经网络通过吸气和呼气胸部CT图像

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 肺部病理学 肺部病理学

背景情况:

• 慢性阻塞性肺病 (COPD) 在全球范围内对健康造成重大负担.
• 准确的COPD阶段确定对于有效的患者管理和干预至关重要.
• 目前使用CT图像的COPD检测方法缺乏足够的准确性和效率.

研究的目的:

• 开发和验证用于COPD阶段检测的准确和有效方法.
• 探索CT图像中的放射学和3D卷积神经网络 (CNN) 特征的实用性.
• 整合临床风险因素以改善诊断性能.

主要方法:

• 自主细分肺部区域从吸入 (IN) 和呼气 (EX) 胸部CT图像.
• 提取肺部放射学和3D CNN特征.
• 特性连接和选择策略.
• 开发一个包含特征和风险因素 (年龄,性别,吸烟史) 的自动度量图神经网络 (AMGNN) 模型.

主要成果:

• 拟议的AMGNN模型实现了高性能:89.7%的准确性,90.9%的精度,89.5%的F1得分和95.8%的AUC.
• 这一表现超过了六个经典的机器学习分类器.
• 放射学和3D CNN功能被证明是比参数响应映射 (PRM) 更有效的生物标志物.
• 与启发图像相比,呼吸CT图像产生了更好的结果.

结论:

• 开发的方法证明了使用IN和EX胸部CT图像检测COPD阶段的高准确性.
• 这种方法有可能成为COPD患者的有效诊断工具.
• 放射学和3D CNN被确定为COPD分期的有价值的生物标志物.