基于人工智能的深度学习算法用于地面玻璃不透明度节点检测:一篇评论
Henil P Shah1, Agha Sah Naqvi2, Parth Rajput1
1GMERS Medical College, Gujarat, India.
Narra J
|May 12, 2025
概括
人工智能 (AI) 在胸部CT扫描上检测地面玻璃不透明度 (GGOs) 方面表现有前途. 像WOANet这样的模型表现出高精度和特异性,有助于早期肺部疾病诊断.
科学领域:
- 放射学 放射学是一门学科.
- 医学成像分析 医学成像分析
- 人工智能在医学中的应用
背景情况:
- 在胸部计算机断层扫描 (CT) 扫描上,地面玻璃不透明度 (GGOs) 是各种肺病理的关键指标.
- 早期检测GGOs对于管理COVID-19,肺炎和肺癌等疾病至关重要.
- 人工智能 (AI) 为分析复杂的医学成像数据提供了先进的功能.
研究的目的:
- 系统地评估AI模型在高分辨率CT扫描上检测GGO结节的性能.
- 评估AI模型使用关键诊断指标,包括准确度,灵敏度,特异性,F1得分,AUC和精度.
- 综合最近关于人工智能驱动的GGO检测在肺部成像中的研究结果.
主要方法:
- 在PubMed,Google Scholar,Scopus和ScienceDirect进行了全面的文献搜索,搜索了2016年至2024年间发表的研究.
- 包括专注于深度学习算法的研究,应用于用于检测GGO的高分辨率CT扫描.
- 使用诊断准确性研究质量评估2 (QUADAS-2) 工具评估研究质量,并对数据进行了定性合成.
主要成果:
- 在5,247个记录中,18项研究符合人工智能辅助GGO检测的纳入标准.
- 丹森网实现了高准确率99.48%,而WOANet报告了98.78%的准确率,具有98.37%的灵敏度和99.19%的特异性.
- 在GGO检测中,WOANet在高特异性和灵敏性之间取得了很强的平衡.
结论:
- 人工智能模型表明,在胸部CT扫描上精确检测GGOs的巨大潜力.
- 特定的AI架构,如WOANet,显示出有希望的诊断性能.
- 未来的研究应该探索混合AI模型,以提高GGO检测的临床适用性和诊断产量.
