基于人工智能的定量CT特征分析用于诊断肺结节病理类型的预测价值

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 精确的肺结节 (PNs) 术前分类对于临床决策和预防过度治疗至关重要.
• 将良性炎症结节与肺腺癌亚型区分开来是一个诊断挑战.

研究的目的:

• 评估基于AI的定量CT特征分析在区分四种PN的预测性能:AAH+AIS,MIA,IAC和IN.
• 在一个结合模型中评估放射性特征的诊断性能,该模型整合了AI衍生特征和传统CT标志.

主要方法:

• 分析了462个病理确认的PN,使用基于深度学习的AI平台来提取放射性特征 (CT减弱,3D形态测量,纹理参数).
• 构建物流回归模型以评估分类准确性.
• 开发一种结合模型,将AI功能和传统CT标志集成在一起.

主要成果:

• 组合模型显示了高的诊断性能:IAC的AUC为0.936,AAH+AIS为0.884,IN为0.865.
• 诸如,固体成分比率和总体体积之类的关键特征使侵入性病变与非侵入性病变区别开来,尽管MIA的AUC较低 (0.707).
• 将炎症结节作为一个单独的类别增加了AI在区分良性模仿者和恶性结节方面的实用性.

结论:

• 人工智能增强的放射学证明了PNS的非侵入性,客观和个性化诊断的潜力.
• 这种方法可以改善术前风险分层,指导个性化管理,并减少对良性炎症病变的不必要手术.