基于使用深度学习模型的计算机断层扫描来预测阻塞性睡眠呼吸暂停.
Jeong-Whun Kim1, Kyungsu Lee2, Hyun Jik Kim3
1Department of Otorhinolaryngology-Head and Neck Surgery, Seoul National University Bundang Hospital, Seoul National University College of Medicine, Seongnam, Republic of Korea.
American journal of respiratory and critical care medicine
|March 12, 2024
概括
一个新的深度学习模型使用CT扫描来准确预测阻塞性睡眠呼吸暂停 (OSA) 和其严重程度. 这种人工智能工具提供了一种有希望的,可访问的方法来诊断OSA,改善患者的护理.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 睡眠医学 睡眠医学
背景情况:
- 临床未诊断的阻塞性睡眠呼吸暂停 (OSA) 是普遍存在的,由于有限的多睡眠学访问.
- 面计算机断层扫描 (CT) 扫描有可能预测OSA及其严重程度.
研究的目的:
- 用一种新的3D深度学习算法来预测OSA及其严重程度,使用鼻CT扫描.
- 开发和验证用于非侵入性OSA诊断的AI模型.
主要方法:
- 使用3D卷积神经网络和多层感知器开发了一种多式深度学习模型 (AirwayNet-MM-H).
- 该模型将CT图像与来自内部 (N=798) 和外部 (N=135,N=85) 数据集的结构化数据 (年龄,性别,BMI) 集成在一起.
- 该模型被训练来分类OSA严重程度 (正常,轻度,中度,严重) 和显著的OSA (中度至严重).
主要成果:
- 在内部数据集中,AirwayNet-MM-H模型在四类OSA严重性预测中实现了87.6%的准确性.
- 为了预测显著的OSA,该模型在内部数据集中显示了91.0%的准确性和0.910的AUC.
- 该模型在准确性和AUC (P < 0.001) 方面表现优于其他六种最先进的深度学习模型.
结论:
- 使用CT扫描的新型多式联机深度学习模型可以准确诊断OSA及其严重程度.
- 开发的AI模型,AirwayNet-MM-H,为OSA诊断提供了一个精确且潜在的可访问工具.
- 这种方法利用现有的CT扫描,提高了阻塞性睡眠呼吸暂停的诊断能力.


