一个非增强的基于CT的深度学习诊断系统,用于肺癌患者高风险的COVID-19感染
Tianming Du1, Yihao Sun1, Xinghao Wang2,3,4
1College of Medicine and Biological information Engineering, Northeastern University, Shenyang, China.
Frontiers in medicine
|August 27, 2024
概括
一个新的神经网络使用CT扫描准确诊断COVID-19肺炎,将其与其他肺炎区分开来,并识别严重病例. 这有助于肺癌患者通过早期检测和更好地管理COVID-19并发症.
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:
- 肺癌患者面临的COVID-19风险增加和较差的结果.
- 感染COVID-19可能会破坏肺癌治疗方案.
- 早期COVID-19肺炎诊断对于改善肺癌患者预后至关重要.
研究的目的:
- 开发一种人工智能驱动的诊断系统,用于早期检测COVID-19肺炎,使用非增强型CT扫描.
- 为了区分COVID-19肺炎和其他肺炎.
- 为了区分严重和普通的COVID-19病例.
主要方法:
- 使用了一个两模块的3D卷积神经网络 (CNN) 架构.
- 第一个模块将COVID-19肺炎与其他肺炎分类.
- 第二个模块区分严重的和普通的COVID-19病例,分析与KL-6等实验室参数的相关性.
主要成果:
- 第一个诊断模块在测试套件上实现了88.84%的准确性.
- 第二个诊断模块在测试套件上实现了91.84%的准确性.
- 在严重的COVID-19病例中,深度学习功能和KL-6之间发现了显著的相关性.
结论:
- 开发的神经网络在CT扫描上有效区分COVID-19肺炎.
- 该系统将普通的COVID-19与严重的病例 ("白肺") 区分开来,这表明气泡膜损伤更大.
- 深度学习功能显示出作为评估COVID-19严重程度的成像生物标志物的潜力.
