在随访期间,通过使用语义细分的术语对胸部X射线图进行肺病变变化的自动评估
Youngjae Kim1,2, Yura Ahn3, Sang Min Lee3
1University of Ulsan Faculty of Medicine, Department of Biomedical Engineering, AMIST, Asan Medical Center, Seoul, Republic of Korea.
Diagnostic and interventional radiology (Ankara, Turkey)
|December 1, 2025
概括
一种新的深度学习模型准确地检测到胸部X射线图 (CRs) 上的肺结合和肺部溢液的变化. 这种人工智能工具显示了临床使用的可行性,用于优先解释和生成警报.
科学领域:
- 医疗成像中的人工智能
- 放射学和医学诊断 医学诊断
- 为医疗保健提供深度学习.
背景情况:
- 胸部放射图 (CRs) 对于诊断肺部巩固和多发性溢液至关重要.
- 监测这些条件的变化需要专家的解释,这可能是耗时的.
- 自动分析CRs可以帮助有效的患者管理.
研究的目的:
- 开发和验证一个深度学习模型,用于检测在配对的CRs上的整合和多流量变化的变化.
- 为了评估模型的表现与胸部放射科医生对比.
- 确定这种模型的临床实用性.
主要方法:
- 一个深度学习模型在5000多个CR上进行了训练,用于病变细分.
- 来自急诊 (ED) 和重症监护室 (ICU) 的配对CR被用于时间验证.
- 用曲线下的面积 (AUC) 评估模型性能,并与放射科医生的精度进行比较.
主要成果:
- 该模型在ED和ICU环境中实现了高AUC,无论是巩固还是流.
- 模型的准确性与胸部放射科医生相似,在ICU的整合或ED中的两个目标方面没有显著差异.
- 在ICU中观察到多流的统计学上显著的差异.
结论:
- 针对病变的深度学习模型是可行的,用于在后续CRs上识别巩固和多溢液的间隔变化.
- 该模型显示了优先考虑图像解释和生成警报的潜力.
- 这种人工智能工具可以促进从多个CR中提取时间序列数据.
