ScreenDx是一种基于人工智能的算法,用于偶然检测肺纤维化
Nikolas Touloumes1, Georgia Gagianas2, James Bradley3
1Division of General Internal Medicine, Dept. of Medicine, University of Louisville. 550 South Jackson Street, 3rd Floor, Ste A3K00, Louisville, KY 40202, United States.
The American journal of the medical sciences
|February 28, 2025
概括
一个新的机器学习算法,ScreenDx,在CT扫描上有效地识别肺纤维化. 这种工具显示出高准确性,可以改善跨不同患者群体和医疗保健机构的早期诊断.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 肺部医学 肺部医学
背景情况:
- 肺纤维化诊断往往由于非特异性症状和各种放射性报告而延迟.
- 机器学习 (ML) 算法为查肺纤维化X光学特征提供了潜在的解决方案.
- ScreenDx是一种ML分类器,用于识别计算机断层扫描 (CT) 成像上的偶然肺纤维化.
研究的目的:
- 开发和验证一种机器学习算法,用于在CT扫描中检测肺纤维化.
- 评估ScreenDx算法在识别偶发性肺纤维化中的性能.
主要方法:
- 深度学习卷积神经网络ScreenDx在一个多源数据集 (3,658个案例) 上进行了训练.
- 算法调整在美国队列 (n=381) 上进行,外部验证使用国际数据集 (n=683).
- 基于不同CT制造商和切片厚度的灵敏度,特异性和AUC来评估性能.
主要成果:
- 在B队列中,ScreenDx在肺纤维化检测方面实现了91%的灵敏度和95%的特异性 (AUC为0.98).
- 外部验证 (C组) 显示了100%的灵敏度和98%的特异性 (AUC 0.997).
- 在各种CT制造商和切片厚度之间,算法性能一致.
结论:
- 在多个站点数据集中识别偶发性肺纤维化时,ScreenDx表现出高性能.
- 该算法的可通用性在各种患者群体和医疗保健系统中被建议.
- 屏幕Dx显示了改善肺纤维化早期检测的希望.
