释放放射学在间歇性肺部疾病中识别纤维化和炎症模式的潜力
Leonardo Colligiani1,2, Chiara Marzi3, Vincenzo Uggenti1,2
1Department of Translational Research, Academic Radiology, University of Pisa, 56126, Pisa, Italy.
La Radiologia medica
|August 22, 2025
概括
人工智能 (AI) 和放射学使用高分辨率计算机断层扫描 (HRCT) 准确地区分纤维化和间歇性炎症性肺病 (ILD). 这种方法有助于准确的诊断和个性化治疗策略.
科学领域:
- 放射学
- 人工智能
- 肺部医学
背景情况:
- 由于成像模式重叠, 间歇性肺部疾病 (ILD) 存在诊断挑战.
- 区分纤维性和炎症性ILD对于适当的患者治疗至关重要.
- 高分辨率计算机断层扫描 (HRCT) 提供详细的肺部成像,但解释可能很复杂.
研究的目的:
- 开发和验证基于放射学的人工智能 (AI) 管道,使用HRCT区分纤维化和炎症性ILD模式.
- 评估人工智能模型在异常性肺纤维化 (IPF) 和结缔组织疾病相关的非特异性间歇性肺炎 (CTD-NSIP) 之间进行区分的能力.
- 评估模型在区分炎症性肺炎和COVID-19等病毒性肺炎方面的表现.
主要方法:
- 一个单一中心的研究包括84名ILD患者 (50名IPF,34名CTD-NSIP) 和另外50名COVID-19肺炎患者.
- 使用深度学习对ILD区域进行半自动细分,然后进行手动审查.
- 从细分区域提取了103个放射性特征,并训练了一种XGBoost模型进行分类. 为了特征解释性,使用了SHapley添加式解释 (SHAP).
主要成果:
- 在区分纤维化和炎症性ILD模式方面,AI模型的平均测试准确度为0.91和AUROC为0.98.
- 在肺形态,强度分布和纹理异质性方面发现了关键的放射性特征.
- 该模型以0.89的平均准确度将细胞NSIP与COVID-19肺炎区分开来,并指出与病毒性肺炎相比,炎症性ILD的模式更加统一.
结论:
- 与可解释的人工智能相结合的放射学在支持ILD诊断方面显示出显著的前景.
- 这种方法可以准确地区分纤维化和炎症性ILD模式,并区分炎症性ILD和病毒性肺炎.
- 这些发现表明,可以提高诊断精度,并为个性化的ILD管理提供定量支持.
更多相关视频
07:38A Multimodal Imaging Approach Based on Micro-CT and Fluorescence Molecular Tomography for Longitudinal Assessment of Bleomycin-Induced Lung Fibrosis in Mice
Published on: April 13, 2018
11.6K
08:05Lung CT Segmentation to Identify Consolidations and Ground Glass Areas for Quantitative Assesment of SARS-CoV Pneumonia
Published on: December 19, 2020
14.3K
