人工智能用于预测间歇性纤维化和管状缩,使用诊断超声波成像和生物标志物

科学领域:

• 腎臟病學 (nephrology) 是一種醫學專業.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 慢性病 (CKD) 构成了全球卫生挑战,经常通过侵入性活检评估不可逆转的损伤.
• 准确评估间歇性纤维化和管管缩 (IFTA) 对于有效的CKD管理至关重要.
• 目前IFTA的诊断方法可能具有侵入性,这凸显了对非侵入性替代品的需求.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测CKD患者的IFTA.
• 评估结合超声波 (US) 图像和患者生物标志物的有效性,以预测IFTA.
• 为了确定患者的生物标记单独是否足以进行准确的IFTA评估.

主要方法:

• 从三家医院的632名CKD患者的美国图像和生物标志物的回顾性收集.
• 从美国图像中提取特征的双路径卷积神经网络的应用.
• 训练和验证ML模型 (XGBoost,随机森林,物流回归) 使用五重交叉验证.

主要成果:

• 图像级IFTA分类的最佳性能是通过将美国图像特征和生物标志物结合起来进行后勤回归来实现的, AUROC为99%.
• 在患者层面,综合美国图像特征和生物标志物的物流回归实现了96%的AUROC.
• 仅使用美国图像特征或生物标志物的模型表现出高性能,AUROC超过80%.

结论:

• 基于AI的IFTA分类在多个ML模型中显示出高精度和AUROC.
• 单独利用患者生物标志物提供了一个非侵入性和强大的工具,用于早期CKD评估.
• 仅生物标志物可能就足以准确的IFTA预测,简化了诊断过程.