对炎症性肠道疾病的肠道超声波图像的基于放射学分析:可行性研究

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 胃肠病学 胃肠病学

背景情况:

• 对于炎症性肠道疾病 (IBD) 监测,肠道超声波 (IUS) 的采用在标准化解释方面提出了挑战.
• 人工智能 (AI) 为这些挑战提供了潜在的解决方案.
• 需要进行研究,以探索AI在IBD的IUS图像分析中的作用.

研究的目的:

• 评估IUS图像的放射性分析的可行性.
• 开发一种基于放射学的分类模型,用于区分正常和异常的IUS图像.
• 为了比较基于放射学和基于卷积神经网络 (CNN) 的模型的性能.

主要方法:

• 从常规门诊诊所的125个IUS图像进行了回顾性分析.
• 基于放射性和基于CNN的分类模型的开发和测试.
• 通过肠壁厚度> 3毫米或高血症 (林伯格分数 ≥ 1) 定义的异常图像.
• 使用曲线下的面积 (AUC),灵敏度,特异性和精度评估模型性能.

主要成果:

• 使用XGBoost的放射性模型平均测试AUC为0.98,具有93.8%的灵敏度,93.8%的特异性和93.7%的准确性.
• 基于CNN的模型实现了平均测试AUC的0.75.
• 放射性分析表明,在区分正常与异常IUS图像方面,其准确度很高.

结论:

• 在IBD评估中,可以对IUS图像进行放射性分析.
• 基于放射学的分类模型可以准确地区分正常和异常的IUS图像.
• 这种方法可以规范IUS解释,并提高其在研究环境中的实用性.