多尺度损伤感知注意力网络的深度学习模型用于肺结核病的诊断和分期:与放射科医生的比较研究
Yi Wang1, Wanying Yan2, Yibo Feng2
1Imaging Center, The Third Clinical College of Hefei of Anhui Medical University, The Third People's Hospital of Hefei, Hefei, China.
Journal of imaging informatics in medicine
|June 5, 2024
概括
一个新的深度学习模型,MLANet,通过胸部X射线准确诊断和分期肺炎. 这种人工智能工具表现出高性能,有助于早期检测和个性化治疗策略的肺部疾病.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 肺部医学 肺部医学
背景情况:
- 肺炎结核病的诊断是具有挑战性的,因为呈现的变化和放射科医生的变化.
- 准确的分期对于有效的,个性化的患者管理至关重要.
研究的目的:
- 开发和评估一种新的深度学习模型,MLANet,用于肺结核病的诊断和分期.
- 评估MLANet在查早期 (I阶段) 肺结核病方面的能力.
主要方法:
- 使用来自两个中心的DR图像开发了一个多尺度损伤感知注意网络 (MLANet).
- 模型性能使用AUC,准确性,回忆,精度和F1分数等指标进行评估.
- MLANet与其他四种分类模型进行了比较.
主要成果:
- 在内部,外部和前性测试集中,MLANet实现了高诊断准确率 (高达98.03%).
- 该模型在查I期肺结核病症方面表现强 (精度97.16%,F1得分95.59%).
- 在诊断任务中,MLANet的表现优于其他四种分类模型.
结论:
- MLANet显著提高了肺结核病诊断的一致性和效率.
- 该模型的性能接近于合格放射科医生的性能.
- MLANet具有从数字放射图片中自动检测肺结核病的临床应用潜力,支持早期干预.
