ILD-Slider:一个参数高效的模型,用于从胸部CT切片中识别渐进性纤维化间歇性肺病

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 肺部病理学 肺部病理学

背景情况:

• 渐进性纤维化间歇性肺病 (PF-ILD) 是一种严重的疾病,预后不佳.
• 目前的诊断方法需要广泛的临床观察和多次CT扫描,延迟治疗.
• 早期识别PF-ILD对于有效管理至关重要.

研究的目的:

• 开发一个高效的深度学习框架,ILD-Slider,用于早期PF-ILD识别.
• 为了使用有限数量的CT切片实现准确的PF-ILD诊断.
• 为了减少与PF-ILD检测相关的计算成本和诊断延迟.

主要方法:

• ILD-Slider使用基于解剖学的位置标记 (PM) 来选择代表性的CT切片 (RS).
• 一个峰值切片采矿 (PSM) 策略提高了PM检测准确性,即使有类不平衡.
• 一个切片级的3D适配器 (Slider) 处理选定的RS用于PF-ILD识别.

主要成果:

• ILD-Slider仅使用五个自动选择的RS实现了0.790的AUPRC和0.847的AUROC.
• 该框架在诊断非连续CT切片的PF-ILD方面表现出有效性.
• 实验对来自两个主要医院的613例患者进行了实验.

结论:

• ILD-Slider为早期 PF-ILD 识别提供了一种实用且高效的解决方案.
• 该框架使用非连续切片的能力对现实世界数据集有价值.
• 这种方法有利于 PF-ILD 患者的早期检测和治疗启动.