基于深度学习的框架的开发和验证,用于自动化肺CT细分和急性呼吸困扰综合征预测:一个多中心队列研究
Yang Zhou1, Shuya Mei1, Jiemin Wang1
1Department of Critical Care Medicine, Ren Ji Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China.
EClinicalMedicine
|August 22, 2024
概括
这项研究开发了一种AI模型,用于使用肺部CT扫描预测急性呼吸系统应急综合征 (ARDS) 的早期预测. 该模型准确地细分肺病变,并识别高风险患者,以便及时进行干预.
科学领域:
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
- 关键护理医学 关键护理医学
背景情况:
- 急性呼吸困扰综合征 (ARDS) 是重症监护室 (ICU) 的一种危急病,死亡率很高.
- 早期识别ARDS风险对于有效的患者干预至关重要.
- 由于其复杂的病理生理学,预测ARDS具有挑战性.
研究的目的:
- 开发一种人工智能 (AI) 模型,用于自动化肺病变细分.
- 创建一个人工智能模型,用于在ICU患者中早期预测ARDS.
- 通过改进ARDS预测来促进及时干预.
主要方法:
- 使用深度学习框架 (UNet Transformer - UNETR) 进行细分和预测.
- 在多个中心对928名ICU患者的胸部CT扫描进行了培训和验证.
- 采用数据增强 (MONAI) 并将性能与Densenet模型进行比较.
主要成果:
- 实现了0.734±0.137的子系数用于肺损伤细分.
- 在验证队列中显示出高预测性能,AUC范围从0.865到0.916.
- 确定了关键预测因素,包括肺病变特征和临床参数 (例如,CRP,白蛋白,血小板).
结论:
- 基于UNETR的深度学习模型显示了ARDS预测和细分的高准确性和稳定性.
- 该模型表现出良好的概括能力和用于早期ARDS检测的临床适用性.
- 这种人工智能方法可以显著帮助高风险的ICU患者及时进行干预.
