细分任何模型的准确性用于数字减去血管学中的血管狭窄的分类

科学领域:

• 医疗成像中的人工智能
• 血管外科 血管外科
• 放射学 放射学是一门学科.

背景情况:

• 腹腔大动脉和腹腔动脉的血管狭窄是一个重要的临床问题.
• 精确检测和分级狭窄是有效的治疗规划至关重要的.
• 当前的诊断方法在效率和一致性方面可能存在局限性.

研究的目的:

• 评估基于分段任何模型 (SAM) 的AI框架Dr-SAM的诊断性能.
• 评估Dr-SAM在检测和分级腹腔大动脉和腹腔动脉血管狭窄的准确性,使用数字减去血管学 (DSA).

主要方法:

• 对100名患者的100次DSA检查进行了回顾性分析.
• 由两名放射科医生使用5点分级表进行下腹腔大动脉,常见腹动脉和外部腹动脉的独立评估.
• 将SAM博士的狭窄分级与两位经验丰富的放射科医生的共识进行比较,使用科恩的卡帕,特异性,敏感性和威尔科克森的签名等级测试.

主要成果:

• 放射科医生之间有很强的观察者间一致性 (科恩的卡帕范围从0.79到0.98).
• 博士-SAM对常见门动脉 (κ=0.93右,0.91左),对外门动脉 (κ=0.79右,0.76左) 中度一致,对腹腔大动脉 (κ=0.70) 公平,与放射学家的共识高度一致.
• 博士SAM获得了优异的特异性 (高达1.0) 和强大的灵敏度 (0.67-0.83),与放射科医生分级没有显著差异 (p>0.05).

结论:

• 博士-SAM是一个准确而有效的工具,用于评估腹腔大动脉和腹腔动脉的血管狭窄.
• 人工智能框架有可能简化诊断工作流程,减少狭窄分级的变化.
• 需要进一步的前性研究来验证发现并增强Dr-SAM的功能,特别是检测闭塞.