开发一种临床预测模型,用于良性和恶性肺结节,CTR ≥50%,利用人工智能驱动的放射学分析
Wensong Shi1,2, Yuzhui Hu3, Guotao Chang1
1Department of Thoracic Surgery, The Fifth Clinical Medical College of Henan, University of Chinese Medicine (Zhengzhou People's Hospital), Zhengzhou, 450003, China.
BMC medical imaging
|January 17, 2025
概括
这项研究开发了一种人工智能放射学模型,以区分具有高巩固与瘤比率 (CTR ≥50%) 的良性和恶性肺结节. 该模型显示中等准确度,为改善这些具有挑战性的肺结节的临床诊断提供了潜在的可能性.
科学领域:
- 放射学 放射学是指放射学
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 诊断固体成分主导的肺结节,特别是那些3D整合与瘤比率 (CTR) ≥50%的肺结节,由于侵入性,在临床上具有挑战性.
- 具有高CTR的恶性结节带来诊断困难,需要先进的工具来准确区分.
研究的目的:
- 开发和验证人工智能驱动的放射学预测模型,用于3D CTR ≥50%的肺结节.
- 为了提高诊断准确度,在这个特定的子组中区分良性和恶性结节.
主要方法:
- 利用了来自五个医疗中心的370个肺结节 (78个良性,292个恶性) 的数据,3D CTR ≥50%.
- 采用拉索回归来选择特征和后勤回归来构建预测模型,使用ROC和DCA曲线进行验证.
主要成果:
- 确定了患者年龄,固体成分体积和平均CT值作为重要预测因素.
- 放射学模型在训练组中实现了0.721的AUC,在验证组中达到0.757,证明了预测稳定性.
结论:
- 开发的AI放射学模型在区分良性和恶性肺结节方面表现出适度的准确性,3D CTR ≥50%.
- 该模型显示了改善具有挑战性的肺结节的诊断的临床潜力,未来的工作旨在提高精度.
