深度学习模型准确地分类多标签的肺超声检测结果,提高诊断准确性和读者之间的协议
Daeeon Hong1,2, Hyewon Choi3, Wonju Hong4
1Department of Interdisciplinary Program in Bioengineering, Seoul National University, 1, Gwanak-ro, Gwanak-gu, Seoul, 08826, Republic of Korea.
Scientific reports
|September 27, 2024
概括
肺部超声波 (LUS) 的新深度学习模型显著提高了诊断准确性和一致性. 这种人工智能工具有助于克服操作员在评估有LUS的呼吸道疾病方面的局限性.
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:
- 肺部超声波 (LUS) 越来越多地用于呼吸系统疾病的评估.
- 运营商的能力是LUS有效性的重要限制.
- 标准化LUS解释对于可靠的诊断至关重要.
研究的目的:
- 开发和验证深度学习 (DL) 模型,用于LUS图像的多标签分类.
- 评估DL模型在提高诊断准确性和读者间一致性方面的表现.
- 确定DL协助是否可以克服LUS.LUS中的运营商能力限制.
主要方法:
- 从经过胸腔切除的患者中回顾收集LUS图像.
- 在7580张图像上开发和内部测试DL模型 (2018年1月至2020年12月).
- 在暂时分离的测试组 (985张图像) 和两个外部组 (319张和54张图像) 上进行验证.
- 用DL辅助和没有DL辅助的放射科医生的性能比较.
主要成果:
- DL模型表现出强的性能,正常 (0.93),B线 (0.87),整合 (0.82),和溢出 (0.94) 的高AUC.
- DL辅助显著提高了正常与异常歧视的读者准确性 (读者1: 87.5%至95.6%;读者2: 95.0%至97.5%).
- 该模型增强了读者之间的协议 (kappa从0.73到0.83).
结论:
- 开发的基于DL的模型显示了协助LUS解释的巨大潜力.
- DL辅助可以提高诊断的准确性,并克服操作员在LUS.com的能力限制.
- 这种人工智能工具为提高LUS在呼吸系统疾病评估中的可靠性提供了一个有希望的解决方案.
