基于U-Net的病毒性肺炎的计算机断层扫描量化可以在3个月的随访期预测纤维化间歇性肺异常

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
• 人工智能在医学中的应用

背景情况:

• COVID-19经常导致纤维化间歇性肺异常 (ILA).
• 早期识别纤维化ILA对于患者管理至关重要.
• 定量CT特征可以预测纤维化ILAs的发展.

研究的目的:

• 评估定量CT特征在预测COVID-19患者3个月随访时纤维化ILA的有效性.
• 评估人工智能工具的预测性能,用于量化肺炎病变和肺血液体积.
• 确定这些定量参数是否可以作为纤维化ILAs的可靠预测指标.

主要方法:

• 与培训和验证队伍进行的回顾性研究.
• 利用基于U-Net的AI工具来量化肺炎病变和肺部血液体积.
• 雇佣接收机运行特征 (ROC) 曲线分析和多变量分析以评估预测能力.

主要成果:

• 肺炎体积 (PV),整合体积 (CV),地面玻璃不透明体积 (GV) 和肺炎质量 (PM) 被确定为纤维化ILAs的独立预测因素.
• 定量CT参数在预测中表现出与CT得分相似的有效性.
• 血管<5mm2 (BV5%) 中血液体积的百分比在纤维化ILA患者中显着较低.

结论:

• 基于U-Net的肺炎病变量化和BV5%的基线CT扫描可以预测COVID-19患者随访时的纤维化ILA.
• 人工智能驱动的定量CT分析为早期检测和COVID-19后肺纤维化风险分层提供了一个有前途的工具.
• 这些发现支持在COVID-19幸存者的管理中整合定量成像生物标志物.