基于多模式自编码器的异常检测揭示了肺纤维化中的临床辐射异质性

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 肺部医学 肺部医学

背景情况:

• 肺纤维化 (PF) 在成像模式,生理障碍和临床表现方面表现出显著的异质性.
• 传统的方法难以捕捉成像发现和PF的功能限制之间的复杂,非线性关系.
• 人工智能 (AI) 通过整合各种数据类型,为全面的疾病特征提供了潜在的解决方案.

研究的目的:

• 开发和评估一个多式人工智能框架,用于识别非典型的PF患者的临床放射学特征.
• 使用无监督异常检测来分析纤维化肺部疾病中的异质性.
• 将成像衍生特征与结构化临床数据相结合,以增强患者的表型.

主要方法:

• 对41名确诊肺纤维化或后传染性纤维性肺病患者的回顾性分析.
• 从胸部CT扫描中提取深度成像嵌入物,使用预训练的卷积神经网络.
• 集成成像与临床和功能变量嵌入到多式变异自编码器 (VAE) 中,用于无监督异常检测.

主要成果:

• 异常得分,来自VAE重建错误和KL分歧,量化患者特异性偏差.
• 很大一部分患者 (17.1%) 显示出高异常分数,无论临床医生分配的严重程度如何.
• 高异常得分与常规标记 (例如DLCO,FEV1) 相对相关性很弱,表明检测了多式调节偏差,而不是仅仅严重程度.
• 鉴定了具有不一致的个人资料的患者,例如尽管有显著的成像异常,但功能仍然存在.

结论:

• 多式人工智能异常检测有效量化了PF的临床放射学异质性,超出了传统的严重程度指标.
• 无监督异常检测为识别非典型患者概况和在纤维化肺病中产生假设提供了有价值的工具.
• 这项概念验证研究强调了人工智能在个性化表型和理解疾病复杂性的潜力.