基于肺部CT多病变的放射模型,以区分非结核菌和结核菌之间的结核菌

科学领域:

• 医疗成像医学成像
• 放射学 放射学是一门学科.
• 人工智能在医学中的应用

背景情况:

• 区分非结核性菌根性肺病 (NTM-LD) 和结核性肺病 (MTB-LD) 是具有挑战性的传统成像.
• 现有的放射学方法通常专注于单一的病变类型,当多种病变类型存在时,限制了它们的有效性.

研究的目的:

• 开发一个放射性模型,利用CT扫描中的多种损伤类型来区分NTM-LD和MTB-LD.
• 分析不同类型的病变在区分NTM-LD和MTB-LD的诊断重要性.

主要方法:

• 一项回顾性研究包括240名患者 (120名NTM-LD,120名MTB-LD),分为训练和测试组.
• 从多种病变类型中提取了1037个放射性特征,选择了重要的特征,并将它们汇总成一个多种病变特征向量.
• 开发了一种多病变放射性 (MLR) 模型,使用随机森林分类器来估计病变的重要性和区分疾病.

主要成果:

• 在区分NTM-LD和MTB-LD方面,MLR模型实现了90.2%的AUC,优于单损伤模型.
• 树在芽模式显示了最高的区分值,其次是巩固,结节和淋巴结扩大.
• 考虑到病变的重要性,放射科医生的诊断准确度提高了8%以上.

结论:

• 这是第一个整合多种病变类型的放射性研究,用于区分NTM-LD和MTB-LD.
• 开发的MLR模型在区分这些肺部疾病方面表现出强的表现.
• 确定了可以帮助经验丰富的放射科医生在临床决策中的关键病变类型.