深度学习模型用于诊断和分类慢性肺阿斯伯吉洛症的亚型在胸部CTCT中

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算生物学 计算生物学

背景情况:

• 正确诊断慢性肺阿斯伯吉洛症 (CPA) 和其亚型对于有效的治疗和患者预后至关重要.
• 缺乏经验的临床医生可能会因为过度依赖放射学发现而误诊CPA.
• 深度学习模型在提高医学诊断的多分类性能方面表现有前途.

研究的目的:

• 研究人工智能 (AI) 生成技术和半监督学习在改进CPA诊断模型中的有效性.
• 使用具有多类特征的有限和不平衡数据集,准确地分类CPA亚型.
• 提高人工智能模型对CPA诊断和亚型分类的性能.

主要方法:

• 开发了一种多分类深度学习模型,用于CPA诊断和亚型区分,使用多中心CT数据集.
• 使用生成模型进行数据集增强,并通过半监督算法进行培训,以解决小样本大小和数据偏差问题.
• 该模型的性能在内部和外部测试集上严格评估,使用诸如灵敏度,准确度,F1得分和AUC等指标.

主要成果:

• 该研究使用了来自660名患者的39,387张胸部CT图像进行培训和验证,以及较小的外部数据集进行测试.
• 最优的人工智能模型在一个具有挑战性的外部测试集中成功识别了六个CPA案例及其子类型.
• 该模型在另一个外部测试组中实现了91%的精度 (ACC) 和0.92的曲线下面积 (AUC).

结论:

• 综合合成数据生成和半监督学习的整合显著提高了CPA诊断深度学习模型的性能.
• 这种由人工智能驱动的方法提高了诊断和分类慢性肺阿斯伯吉洛症在胸部CT图像上的准确性.
• 这些发现表明,人工智能在改善CPA等复杂真菌感染的诊断能力方面发挥着有希望的作用.