COVID-BLUeS - 一项关于人工智能在肺部超声波分析中的价值的前性研究

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 肺部病理学 肺部病理学

背景情况:

• 肺部超声波 (LUS) 是一种有价值的,非侵入性的工具,用于评估肺部疾病.
• 人工智能 (AI) 提供了改进LUS解释的潜力,这可能耗时且需要专业知识.
• 目前在现有LUS数据上训练的AI模型在现实应用中面临挑战,原因是数据质量问题.

研究的目的:

• 评估AI模型在使用LUS数据检测和评估肺部感染的严重程度方面的表现.
• 将AI模型的准确性与人类注释在识别COVID-19中的准确性进行比较.
• 调查多模式数据 (LUS图像和完整血清) 对AI模型性能的影响.

主要方法:

• 一项前性研究使用BLUE协议分析了63名COVID-19疑似患者 (33名阳性) 的LUS记录.
• 数据包括LUS视频,病史和完整血清 (CBC) 分析.
• 各种人工智能模型被训练并应用于感染检测和严重性评估,包括零射击和有针对性的训练方法.

主要成果:

• 根据人类注释 (p = 0.89 $),在COVID-19阳性和阴性患者之间没有发现肺部感染严重程度的显著差异.
• 基于图像的AI模型在针对COVID-19检测的有针对性的培训中达到高达79%的准确性,超过了人类注释准确性 (65%).
• 整合LUS图像和CBC数据的多模人工智能模型显示,与仅图像模型相比,性能显著提高.

结论:

• 人工智能在肺部感染的LUS评估中显示出潜力,但目前的模型需要进一步开发.
• 限制包括LUS数据集异质性,基于框架的AI处理,以及需要更多的多模式模型研究.
• 研究数据集公开发布,以促进未来对人工智能驱动的LUS分析的研究.