深度学习的肺病分期和诊断系统基于多阶段的联合方法
Chang Liu1,2, Yeqi Fang3, YuHuan Xie1,2
1West China School of Public Health and West China Fourth Hospital, Sichuan University, Chengdu, 610041, PR China.
BMC medical imaging
|July 3, 2024
概括
一个新的深度学习系统使用胸部X射线准确地选和分阶段肺结核病. 这种计算机辅助诊断工具提高了分期准确性,有助于临床应用和患者生存.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 肺部疾病诊断 肺部疾病诊断
背景情况:
- 由于诊断挑战和预后不佳,肺结核病显著影响患者的存活率.
- 精确的肺结核病阶段确定对于有效的患者管理至关重要.
- 目前用于诊断肺炎病的诊断方法需要改进.
研究的目的:
- 开发一套计算机辅助的诊断系统,用于肺结核病的查和分期.
- 通过深度学习提高肺结核病诊断的准确性.
- 为了改善阶段化,研究一个多阶段的联合深度学习方法.
主要方法:
- 利用了来自肺结核病患者的498张胸部X射线,分为训练和测试集 (4:1比率).
- 采用直方体平衡用于图像增强,U-Net用于图像细分,以及卷积神经网络用于分期.
- 将Efficient-Net与多阶段的联合Res-Net 34方法进行了比较,用于分阶段诊断.
主要成果:
- 效率网模型实现了83%的准确性和0.889.88的QWK得分.
- 多阶段联合Res-Net 34方法的准确率为89%,AUC为0.98,QWK得分为0.94.
- 改进的模型在诊断肺病的困难阶段 (I/II) 中表现出卓越的性能.
结论:
- 创新的多阶段联合深度学习方法显著提高了肺结核病分期的准确性.
- 开发的系统为临床肺炎查和诊断提供了有价值的参考.
- 这种由人工智能驱动的系统有可能提高患者护理和肺结核病的治疗结果.
