在胸部CT上区分细菌和非细菌性肺炎,使用多平面特征和临床生物标志物
Liming Song1, Yuefu Zhan2, Lifeng Li3
1Department of Health Technology and Informatics, The Hong Kong Polytechnic University, Kowloon, Hong Kong SAR (L.S., Y.W., M.Z., Z.L., G.R., J.C.).
Academic radiology
|June 10, 2025
概括
一个新的深度学习模型MPMT-Pneumo使用CT扫描和生物标志物准确区分细菌性肺炎 (BP) 和非细菌性肺炎 (NBP). 这一进步有助于指导适当的抗生素治疗,改善患者的治疗结果.
科学领域:
- 医学成像分析 医学成像分析
- 人工智能在医学中的应用
- 肺炎的诊断 肺炎的诊断 肺炎的诊断
背景情况:
- 细菌性肺炎 (BP) 和非细菌性肺炎 (NBP) 之间的准确区分对于有效的抗生素治疗至关重要.
- 计算机断层扫描 (CT) 成像和生物标志物经常显示重叠的特征,使诊断复杂化,并导致经验治疗.
- 需要改进的诊断工具来准确分类肺炎类型.
研究的目的:
- 开发和评估MPMT-Pneumo,一个多层次,多模式的深度学习模型,用于增强BP与NBP分类.
- 与现有方法相比,提高肺炎亚型的准确性.
- 促进在临床实践中更有针对性,更合理地使用抗生素.
主要方法:
- 一种混合CNN-变压器架构 (MPMT-Pneumo) 整合了来自轴向,冠状和斜腰CT视图的特征,并使用了四种炎症生物标志物 (WBC,ANC,CRP,PCT).
- 该模型在384名患者 (239名BP,145名NBP) 上使用多焦点损失进行训练,以管理类失衡.
- 性能通过AUC,精度和灵敏度进行评估,并与其他模型和放射科医生进行比较.
主要成果:
- 在试验组中,MPMT-Pneumo的AUC达到0.874,准确度为0.852,灵敏度为0.894.
- 该模型的表现优于基线深度学习和仅生物标志物方法.
- 它对血压检测的灵敏度与经验丰富的放射科医生相当,超过了经验较少的放射科医生.
结论:
- MPMT-Pneumo显示出作为细菌性肺炎分类的临床适用工具的巨大潜力.
- 该模型的性能表明,它可以提高诊断准确性,并支持更合理的抗生素处方.
- 整合多平面CT成像和生物标志物可以提高肺炎的分化.
