3D区域成长的nnU-Net改善了CTPA上的肺栓塞检测:一个双队列验证研究

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 放射学 放射学是一门学科.

背景情况:

• 急性肺栓塞 (PE) 诊断依赖于计算机断层扫描肺血管造影 (CTPA).
• 准确检测和量化血块体积 (BCV) 对于患者管理至关重要.
• 使用深度学习的自动化方法有可能提高效率和准确性.

研究的目的:

• 将三种定制的nnU-Net模型进行比较,用于CTPA上的自动PE检测和BCV量化.
• 评估BCV与临床结果 (如存活率和主要心血管不良事件 (MACE)) 之间的关联.

主要方法:

• 对9715次CTPA检查进行了回顾性分析,以开发数据集.
• 三种nnU-Net模型的开发和内部/外部验证:二维基线,2D + 区域增长,3D + 区域增长.
• 使用精度,灵敏度,特异性和AUROC的性能评估;对BCV与临床结果的相关性分析.

主要成果:

• 具有区域增长的3D nnU-Net模型 (模型C) 在外部测试 (0.868) 和内部测试 (0.909) 中获得了最高的AUROC.
• 模型C在外部数据上的零凝结门上显示出高灵敏度 (83.6%) 和准确度 (79.5%).
• 血块体积 (BCV) 与MACE或生存率没有显著相关 (p=0.600).

结论:

• 具有区域增长的本地训练的3D nnU-Net模型为CTPA上的自动PE检测提供了卓越的性能和通用性.
• 这种3D模型为PE检测提供了强大的,在临床上可接受的性能,而不需要基于ROC的值.
• 虽然自动化BCV量化是有效的,但在本研究中没有发现它可以预测短期临床结果.