使用深度学习模型建立和可靠的Pectus Excavatum指数自动测量方法的建立和可靠性
Xicheng Deng1, Siping He2, Jiayi Lin1
1Department of Cardiothoracic Surgery, The Affiliated Children's Hospital of Xiangya School of Medicine, Central South University, Hunan Children's Hospital, Changsha, CHN.
Cureus
|June 30, 2025
概括
自动化的U-Net细分可靠地测量pectus excavatum (PE) 严重性指数,减少观察者变化. 这种AI方法提高了PE评估的临床工作流程效率.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 胸部外科手术 胸部外科手术
背景情况:
- 胸部挖掘 (PE) 的评估依赖于主观的手动测量,导致观察者之间的变化.
- 标准化PE严重性评估对于一致的临床管理和治疗计划至关重要.
研究的目的:
- 评估基于U-Net的PE指数自动细分的一致性和准确性.
- 将自动测量与手动评估进行比较,并评估观察者间变异性减少.
主要方法:
- 开发了一个U-Net模型,在550个胸部CT扫描中训练,在164个独立扫描中验证.
- 自动计算哈勒,校正和不对称指数,并与四个手动观察员进行比较.
- 通过使用统计方法 (ICC,Bland-Altman) 分析了测量准确性,观察者之间的变化和一致性.
主要成果:
- 手动测量初始误差率为15.9%,在协商一致后降至4.1% (p<0.01).
- 在U-Net模型中,错误率稳定 (8.7%与8.5%,p=0.91).
- 自动和校正的手动测量之间有很强的一致性:哈勒 (ICC=0.83),校正 (ICC=0.86),不对称 (ICC=0.92).
结论:
- 基于U-Net的自动化提供可靠的PE严重性指数测量.
- 自动化细分可以显著减少PE评估中的观察者依赖的变化.
- 建议进一步进行多中心验证,以便在放射学中获得更广泛的临床采用.
