基于放射学的人工智能和机器学习方法用于诊断和预测异常性肺纤维化:系统性审查

科学领域:

• 肺部医学 肺部医学
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 异形性肺纤维化 (IPF) 是一种严重的肺病,具有具有挑战性的诊断和预后.
• 现有的IPF诊断和预后方法缺乏准确性,原因是重叠的间歇性肺病 (ILD) 特征和可变的CT解释.
• 计算机断层扫描 (CT) 成像是至关重要的,但其对IPF的解释可能是主观的.

研究的目的:

• 系统地审查目前关于AI和ML应用的证据,以使用CT成像进行IPF诊断和预后.
• 与传统方法相比,评估AI/ML模型的性能.
• 为了确定IPF的新型AI衍生生物标志物.

主要方法:

• 在遵守PRISMA指南的基础上进行系统审查.
• 包括2017年至2024年间发表的八项研究.
• 分析各种AI/ML方法,包括深度学习 (DL),支持矢量机 (SVM) 和整体方法.

主要成果:

• 人工智能/ML模型在IPF诊断和预后方面显示出有希望的结果.
• 人工智能衍生的参数,特别是纤维化负担和肺血管体积,在预后方面优于视觉CT得分.
• 在AI量化CT特征和肺功能测试之间发现了强烈的相关性,这表明了潜在的替代标记.

结论:

• 通过先进的CT图像分析,AI/ML具有改善IPF诊断和预后的巨大潜力.
• 限制包括回顾性研究设计,小样本大小和缺乏外部验证.
• 未来的研究应该集中在前性,多中心的研究与不同的队列和可解释的AI (XAI) 临床集成.