基于从头训练模式深度学习卷积神经网络模型评估急性肺栓塞的价值

目的分析基于从头训练模式深度学习-卷积神经网络模型[the deep learning convolutional neural network model trained from scratch,DL-CNN(fs)]的人工智能算法评估急性肺动脉血栓栓塞(acute pulmonary thromboembolism,APE)的价值。方法回顾性纳入214例可疑APE行CT肺动脉造影(CTPA)的住院患者,包括急性肺动脉血栓栓塞137例,阴性77例。放射科医师根据CTPA图像判断有无APE,并计算Qanadli评分、Mastora评分和其他CTPA参数。采用DL-CNN(fs)训练网络模型自动检测栓子的分布及容积。评估DL-CNN(fs)模型测量血栓分布的价值,计算血栓负荷与Qanadli评分、Mastora评分和其他CTPA参数的相关性。结果DL-CNN(fs)测算的中心肺动脉栓子敏感度、特异度、感兴趣区曲线下面积(AUC)分别为100%、16.8%、0.584(95%CI,0.508~0.661);DL-CNN(fs)测算的外周肺动脉栓子敏感度、特异度、AUC均较高(R1-R9,60.8%~95.2%,67.9%~87.1%,0.740~0.844;L1-L10,64.6%~93.4%,62.7%~83.1%,0.732~0.791)。DL-CNN(fs)测算的栓子体积与Qanadli score肺栓塞指数显著正相关(r=0.867,P<0.001),与Mastora score肺栓塞指数显著正相关(r=0.854,P<0.001),与右心室及左心室最大横径比、右心室及左心室最大面积比呈正相关(r=0.549,0.559,P<0.01)。结论DL-CNN(fs)模型检测外周肺动脉栓子具有较高的价值,对中心肺动脉栓子诊断特异度有待进一步提高。DL-CNN(fs)模型自动提供APE患者的栓子体积,可以一定程度反映栓塞程度及右心功能,能够辅助医生对于APE患者血栓负荷及危险分层的快速评估。

机器学习算法在静脉血栓栓塞症防治中的研究进展

机器学习(ML)作为人工智能的重要分支,现已广泛应用于疾病诊断和评估。静脉血栓栓塞症(VTE)是一种常见的血栓性疾病,临床诊疗过程需要精确高效的评估策略。随着医工交叉逐渐深入和ML方法学的不断优化,在VTE预防诊治领域,ML发挥着越来越重要的作用,相关研究取得显著进展。ML可协助识别VTE的风险因素,建立针对性的风险预测模型。通过对多模态数据的整合,ML可辅助医生快速准确地进行VTE诊断和严重程度评价。在VTE治疗领域,ML可协助制定抗凝药物、剂量和疗程等临床决策,同时预测药物相关不良反应尤其是出血风险。另外,ML也可辅助新药的研发,通过探讨VTE的发病机制从而寻找干预靶点。

静脉血栓栓塞症年度进展2022

静脉血栓栓塞症(VTE)包括肺血栓栓塞症(PTE)及深静脉血栓形成(DVT),国内PTE的病死率与国际水平相当,是全球疾病负担的重要组成部分,在呼吸系统疾病中占据着重要的地位。近年来关于VTE的研究进展迅速,尤其体现在VTE预防方案及诊断策略、危险分层及治疗策略、不良预后及并发症等方面。国内外研究者已逐渐认识到其作为一种慢性多系统疾病,全流程的诊治及随访有待进一步规范。本文就2022年国内外VTE领域的最新进展进行综述,以期为未来方向提供更多的循证医学证据。

对肺栓塞诊治和管理问题的新认识

急性肺栓塞发病隐匿且可危及生命,所以早期诊断、及时治疗以及规范管理至关重要。2019年8月31日,欧洲心脏病学会与欧洲呼吸病学会联合颁布了“2019年急性肺栓塞诊断与治疗指南”,新版指南着眼于肺栓塞的临床诊治与管理,对其诊断、治疗、长期随访等相关策略进行了相应更新,包括:D-二聚体诊断界值的确定,影像学诊断方法中辐射剂量及优缺点,血流动力学不稳定的明确定义,肺栓塞危险分层,高危肺栓塞急性期治疗、延展期抗凝治疗的潜在适应证、复发风险因素分级,恶性肿瘤及妊娠合并肺栓塞的诊疗方案,长期随访的管理策略。本文就新版指南的重要更新部分进行解读,以期为临床医生提供相关的理念和知识。

慢性血栓栓塞性肺疾病与慢性血栓栓塞性肺动脉高压:新概念与新思路

慢性血栓栓塞性肺疾病(CTEPD)是急性肺血栓栓塞症(PTE)的一种远期并发症。由于慢性血栓持续存在于肺动脉管腔内,并逐渐机化及纤维化,肺动脉近端血管发生阻塞性病变,远端血管继发微血管病变,肺血管阻力进行性增加,部分患者可出现肺动脉高压,并进展为右心衰竭。CTEPD起病隐匿,临床常表现为呼吸困难,可伴有低氧血症,严重影响患者的生活质量。因此,对于这类患者,需强调终身抗凝治疗和定期随访评估。