新型深度学习分析用于CT上的连接组织疾病相关的间歇性肺病程度评估:一项初步的横截面研究
Yuhei Ito1, Yasutaka Ichikawa2, Shuichi Murashima2
1Centre for Rheumatic Diseases, Mie University Hospital, 2-174 Edobashi, Tsu, 514-8507, Japan, Tel: +81-59-231-5729.
Rheumatology (Oxford, England)
|September 13, 2024
概括
使用QZIP-ILD®软件 (DL-QZIP) 进行深度学习分析提供了一种更客观和可重复的方法,用于评估间歇性肺病 (ILD) 在结缔组织疾病 (CTD) 中的程度. 与传统视觉评估相比,DL-QZIP在识别患有严重生理障碍的患者方面表现出更好的能力.
科学领域:
- 放射学 放射学是一门学科.
- 肺部病理学 肺部病理学
- 类风湿病学 类风湿病学
背景情况:
- 高分辨率计算机断层扫描 (HRCT) 对于评估连接组织疾病 (CTD) 中的间歇性肺病 (ILD) 是至关重要的.
- 对于ILD扩展的HRCT的传统视觉评估缺乏客观性和可重现性.
- 基于计算机的深度学习分析为更准确的ILD评估提供了潜力.
研究的目的:
- 将使用QZIP-ILD®软件 (DL-QZIP) 进行深度学习分析的实用性与在CTD-ILD患者中评估ILD延伸的传统方法进行比较.
- 评估DL-QZIP定量分数和半定量视觉评估之间的相关性.
- 评估DL-QZIP在区分强迫性生命能力减弱 (FVC) 患者方面的能力.
主要方法:
- 招募了80名CTD-ILD患者.
- 量化ILD分数 (QGG,QFIB,QILD) 使用DL-QZIP进行计算.
- 将DL-QZIP分数与使用类内相关系数 (ICC) 的半定量视觉评估进行了比较.
- 用接收器运行特征 (ROC) 曲线分析来比较QILD得分在区分FVC%<70.%的患者的能力.
主要成果:
- DL-QZIP与QGG (0.75),QFIB (0.61) 和QILD (0.75) 的视觉方法有很好的相关性.
- 在识别FVC% <70 (p <0.01) 的患者中,DL-QZIP (0.833) 与视觉方法 (0.660) 相比,QILD得分的曲线下的面积 (AUC) 显著更高.
- 在DL-QZIP (5.35%) 和视觉方法 (8.48%) 之间,QILD中位数得分有所不同.
结论:
- QZIP-ILD®软件在区分CTD-ILD患者与与严重生理损伤相关的放射性发现的区分方面表现出卓越的能力.
- DL-QZIP与HRCT上量化ILD程度的传统方法有很好的相关性.
- 深度学习分析为CTD的ILD评估提供了更客观和可重复的方法.
