在干细胞移植后使用深度学习模型预测早期细胞巨乳病毒肺炎
Yanhua Zheng1,2, Ruilin Ren3,4, Teng Zuo5
1Fujian Provincial Key Laboratory on Hematology, Fujian Institute of Hematology, Fujian Medical University Union Hospital, Fuzhou, China.
概括
一种深度学习模型有效地区分了细胞巨乳病毒 (CMV) 肺炎和其他肺部疾病在后血造细胞干细胞移植 (HSCT) 患者. 这种AI框架有助于使用CT图像早期检测罕见的CMV肺炎病例.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 肺部病理学 肺部病理学
背景情况:
- 细胞巨乳病毒 (CMV) 肺炎在血造干细胞移植后 (HSCT) 患者中存在诊断挑战,即使有早期放射性迹象.
- 准确和及时的诊断对于有效的患者管理和结果至关重要.
研究的目的:
- 开发和评估一种深度学习模型,以区分CMV肺炎与其他肺炎 (COVID-19,社区获得) 和后HSCT患者的正常肺部发现.
- 用有限的CT图像数据集来评估模型的性能,使用几次拍摄转移学习方法.
主要方法:
- 六个神经网络模型被预先训练在一个大数据集的COVID-19肺炎,社区获得的肺炎,和正常的肺部CT图像.
- 应用了几次转移学习策略来微调这些模型,使用较小的数据集,包括来自研究人员中心的CMV肺炎病例.
- 模型性能使用准确性,精度,回忆,F1得分和曲线下面面积 (AUC) 等指标进行评估.
主要成果:
- 最优的深度学习模型 (Xception) 在区分CMV肺炎方面取得了高性能.
- 最好的模型显示精度为0.9034,精度,回忆和F1得分都达到0.9091.
- 在测试组中记录了0.9668的曲线下的面积 (AUC),表明强大的区分能力.
结论:
- 开发的深度学习框架成功地区分了罕见的肺炎类型,如CMV肺炎,从其他条件使用有限的CT图像数据.
- 这种人工智能驱动的方法有助于在具有挑战性的后HSCT患者群体中早期检测CMV肺炎.
- 该研究强调了人工智能在改善免疫功能低下个体不常见肺部感染的诊断方面的潜力.
