在肺移植中提高预后准确度,利用孤立人类肺部放射图的独特特征
Bonnie T Chao1,2, Andrew T Sage1,3,4, Micheal C McInnis5,6
1Latner Thoracic Research Laboratories, Toronto General Hospital Research Institute, University Health Network, Toronto, ON, Canada.
NPJ digital medicine
|October 3, 2024
概括
人工智能在ex vivo肺 perfusion (EVLP) 期间分析肺部放射图,以改善移植适合性评估. 这种人工智能方法增强了供体肺部的评估,有助于更成功的移植结果.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 移植手术 移植手术
背景情况:
- 活体肺输液 (ex vivo lung perfusion,简称EVLP) 对于评估供体肺是否适合移植至关重要.
- 放射分析是EVLP的一个组成部分,但可以是主观的和耗时的.
- 需要客观和自动化的方法来增强在EVLP期间肺部放射图的解释.
研究的目的:
- 开发和验证基于卷积神经网络 (CNN) 的方法来分析在EVLP过程中获得的肺放射图.
- 为了将CNN衍生的放射特征与肺移植后的临床结果相关联.
- 评估EVLP中人工智能驱动的放射分析在预测移植成功时的附加值.
主要方法:
- 一个CNN模型在650例临床EVLP病例中的1300张纵向放射图上接受了训练.
- 由CNN提取的潜在特征被转化为主要组件 (PC).
- PCs与放射性发现相关,并与生理数据相结合,以预测临床结果 (输出管时间,移植适合性).
主要成果:
- 顶部的PC与肺部透有显著的相关性 (斯皮尔曼R:0·72,p < 0·0001).
- 结合CNN衍生型放射性PC,预测临床结果的准确性从73%提高到78% (p = 0·014).
- 该CNN方法在加强当前的EVLP评估方面表现出相当大的价值.
结论:
- 基于CNN对EVLP肺部放射图的分析提供了客观和有价值的见解.
- 这种人工智能驱动的方法可以提高预测肺移植结果的准确性.
- 该方法可适应EVLP中心的全球使用,减少对实时放射专业知识的依赖.
