基于卷积神经网络的Pneumocystis jirovecii肺炎早期诊断模型:与传统PCR诊断方法的比较

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 传染性疾病 传染性疾病

背景情况:

• 肺囊肺炎 (PJP) 诊断依赖于呼吸道样本,面临难以采集和低检测率等挑战.
• 目前的PJP诊断整合了临床症状,血清学,CT成像,分子技术和mNGS进行综合分析.
• 传统PJP诊断方法的局限性需要开发非侵入性和准确的方法.

研究的目的:

• 开发一种非侵入性,高效和准确的PJP诊断方法.
• 为了使PJP的早期诊断和治疗,从而改善患者的预后.
• 克服与传统的PJP诊断技术相关的局限性.

主要方法:

• 使用卷积神经网络 (CNN) 构建了PJP的智能诊断模型.
• CNNs从患者CT图像中提取了特征,然后将其与临床信息融合在一起.
• 融合的特征被PJP诊断分类网络处理.

主要成果:

• 开发的基于CNN的模型实现了PJP诊断的平均准确率为88.90%.
• 传统的PCR诊断方法显示,PJP检测的准确率为77.58%.
• 与传统PCR相比,拟议的智能模型的准确性提高了11.32%.

结论:

• 提出的智能诊断方法是有效的,准确的,对于早期PJP检测而言是非侵入性的.
• 这种人工智能驱动的方法比传统的PJP诊断技术有了显著的改进.
• 使用这种新的方法进行早期和准确的PJP诊断可以提高患者的治疗结果.