人工智能用于间歇性肺病的诊断和数字本体学用于未分类的间歇性肺病

科学领域:

• 肺部医学 肺部医学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 多学科讨论 (MDD) 是间歇性肺病 (ILD) 诊断的标准,但由于评价者之间的协议较低和专家访问有限而受到影响.
• 人工智能 (AI) 为改善ILD诊断准确性和可访问性提供了一个潜在的解决方案.

研究的目的:

• 开发和评估一种人工智能驱动的算法,用于使用多模式患者数据诊断间歇性肺病 (ILD).
• 评估AI在将ILD分类为不同的临床病理实体方面的表现.

主要方法:

• 对630名ILD患者的临床,CT成像和病理数据进行了回顾性分析.
• 一个卷积神经网络 (CNN) 将CT肺炎模式分类,然后使用支持矢量机器 (SVM) 进行多式ILD分类.
• 该算法的性能使用5倍交叉验证进行了验证.

主要成果:

• 在肺炎模式分类方面,CNN模型实现了62.4%的准确性.
• 多模式SVM模型的整体准确性高 (85.4%),对于异常性肺纤维化和过敏性肺炎的敏感度超过90%.
• 病理学结果是对SVM诊断准确性的最重要的贡献者.

结论:

• 集成多式联运数据的AI算法可以有效地协助诊断间歇性肺病 (ILD).
• 开发的AI系统显示了基于本体学的诊断的前景,有可能提高ILD管理的诊断一致性和效率.