开发和验证基于深度学习的算法,用于量化小儿计算机断层扫描中的支气管炎消灭症
Chanyoung Rhee1, Jae-Yeon Hwang1, Ji Young Ha2
1Department of Radiology, Seoul National University Hospital, Seoul National University College of Medicine, Seoul, Republic of Korea.
The British journal of radiology
|October 29, 2025
概括
一个深度学习算法在儿科CT扫描上准确量化支气管炎消灭 (BO). 这种人工智能工具显示出强大的性能和与放射科医生评估的强烈一致,用于精确的BO测量.
科学领域:
- 医疗成像中的人工智能
- 儿科放射学 儿科放射学
- 肺部疾病量化研究
背景情况:
- 支气管炎 obliterans (BO) 是儿童肺移植和其他条件后的严重并发症.
- 在CT扫描上精确量化BO对于患者管理和治疗评估至关重要.
- 当前的量化方法可能是主观的,耗时的.
研究的目的:
- 开发和验证深度学习 (DL) 算法,用于客观量化儿童胸部CT上的BO.
- 评估DL模型的稳定性和准确性,与放射科医生细分和分级相比.
主要方法:
- 一项回顾性研究利用了86名被诊断患有BO的儿童胸部CT扫描.
- 一个3D nnU-Net深度学习模型被训练在放射科医生细分的低衰减区域 (LAR) 作为地面真相.
- 模型性能使用内部和外部测试集,供应商内部的稳定性测试和与半定量放射学家分级的比较进行了评估.
主要成果:
- DL模型实现了高性能指标,包括85.41% (内部) 和82.53% (外部) 的子相似系数 (DSC).
- 该算法在不同的CT采集参数 (重建方法,内核类型,切片厚度) 中表现出强度.
- 在DL模型的量化和放射科医生在所有肺叶的分级之间观察到强烈至非常强烈的相关性 (p < 0.001).
结论:
- 开发的3D nnU-Net深度学习算法提供了准确和可重复的儿童CT上BO的量化.
- 该模型与放射科医生细分的地面真相有很好的一致性,为临床评估提供了可靠的工具.
- 这种人工智能驱动的方法提高了儿童BO的低衰减区域 (LAR) 的客观测量.
