深度神经网络的准确性,用于在专用CT肺血管图像上自动检测肺栓塞

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 肺栓塞 (PE) 是一种严重的疾病,需要及时诊断.
• 计算机断层扫描肺血管造影 (CTPA) 是检测PE的主要成像方式.
• 自动检测工具有可能提高诊断效率和准确性.

研究的目的:

• 评估用于自动化PE检测的原型深度神经网络 (DNN) 算法的性能.
• 为了评估CTPA扫描中PE在不同解剖位置的算法的准确性.

主要方法:

• 对1,000名因怀疑PE而接受CTPA的患者的回顾性分析.
• DNN算法应用于来自三个西门子Healthineers系统的CTPA扫描.
• 性能指标包括灵敏度,特异性,PPV,NPV和准确性是根据临床报告计算的.

主要成果:

• 分析了903名患者的最终队列,PE患病率为12%.
• 该DNN算法实现了84.6%的灵敏度,95.1%的特异性,70.5%的PPV和97.8%的NPV.
• 检测PE的整体准确率为93.8%,常见的错误阳性原因包括肺部质量和人工物,错误阴性包括慢性PE.

结论:

• 基于DNN的算法在CTPA上的自动PE检测方面表现出色.
• 这些发现表明该算法的潜力是帮助放射科医生的宝贵工具.
• 这项技术可以提高临床阅读效率,并有助于优先考虑紧急病例.