一种基于人工智能的全自动化方法,用于预测彻底或部分切除术后的功能

科学领域:

• 腎臟病學 (nephrology) 是一種醫學專業.
• 人工智能在医学中的应用
• 医疗成像医学成像

背景情况:

• 美国泌尿学会建议估计手术后的膜过率 (GFR),以指导瘤治疗.
• 如果预计GFR在术后降低到45毫升/分钟/1.73平方米以下,则偏偏腎切除术 (PN) 优先于彻底腎切除术 (RN).
• 目前用于GFR预测的已验证模型在临床采用方面仅受限.

研究的目的:

• 评估人工智能 (AI) 模型在预测术后GFR方面的准确性,与验证的临床模型相比.
• 评估AI在对接受切除术的患者进行GFR估计的自动化中的实用性.
• 为了确定AI预测是否可以与已建立的临床方法的性能相匹配.

主要方法:

• 使用深度学习细分模型,从手术前的CT扫描中确定分功能.
• 术后GFR使用基于手术前GFR和分裂功能的人工智能驱动的计算来估计.
• 还使用了一种经过验证的临床模型来估计术后GFR.
• 人工智能和临床模型的估计与使用相关系数和逻辑回归来预测GFR<45的术后GFR进行了比较.

主要成果:

• 人工智能模型实现了0.75的相关系数,而临床模型与手术后GFR相比,达到0.77.
• 这两种模型在预测术后GFR<45时表现相似,AI的曲线下面面积为0.89,临床模型为0.9.
• 这项研究包括300名因脏瘤而接受脏切除术的患者.

结论:

• 全自动化的人工智能模型用于预测新的基线功能,与验证的临床模型一样准确.
• 人工智能方法消除了对额外临床细节或手动测量的需求,简化了预测过程.
• 这种人工智能工具为临床实践中术后GFR估计提供了一个可行的,自动化的替代方案.