基于人工智能驱动的自动CT量化模型对耐火性Mycoplasma pneumoniae肺炎的诊断是有效的
Yali Qian1, Yunxi Tao2, Lihui Wu1
1Department of Emergency/Critical Medicine, Children's Hospital of Nanjing Medical University, Nanjing, Jiangsu, China.
Scientific reports
|July 13, 2024
概括
预测耐火性Mycoplasma pneumoniae肺炎 (RMPP) 是一个挑战. 这项研究开发了一个使用CT扫描和临床数据用于儿童早期RMPP识别的AI驱动模型,实现了高精度.
科学领域:
- 儿科肺病学 儿科肺病学
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 耐火性Mycoplasma pneumoniae肺炎 (RMPP) 在儿科护理中构成了重大临床挑战.
- 早期预测RMPP对于及时有效的治疗策略至关重要.
研究的目的:
- 开发和验证儿童住院患者RMPP的早期预测模型.
- 将人工智能 (AI) 衍生的定量CT成像功能与临床指标相结合,以改善RMPP预测.
主要方法:
- 进行了一项回顾性队列研究,涉及126名患有Mycoplasma pneumoniae肺炎 (MPP) 的儿科患者.
- 从人工智能获得的肺损伤程度 (Log2Φ) 的定量评估与临床数据 (温度,AST,PFD,PMTD) 结合起来,构建了一个预测模型.
- 在训练和前性验证集中,模型性能使用接收器运行特征曲线 (AUC) 下的面积进行了评估.
主要成果:
- 综合临床成像模型表现出优异的预测性能,AUC值为0.897 (训练组) 和0.895 (测试组).
- 仅仅成像模型 (Log2Φ) 和临床模型显示出适度的预测能力 (AUC从0.764到0.810不等).
- 该模型有效地确定了RMPP病例,突出了将定量成像与临床因素整合的价值.
结论:
- 一个人工智能辅助的临床成像预后模型可以准确地预测儿科患者的RMPP.
- 这种模型有助于早期识别RMPP,从而能够迅速进行治疗干预.
- 自动CT量化与临床数据相结合,为管理MPP提供了一个有希望的方法.
