期刊文献+
共找到1篇文章
< 1 >
每页显示 20 50 100
通过分布式人工智能实现CT结肠成像的计算机辅助慢性息肉辨识 被引量:1
1
作者 Tan B. Nguyen, BS Shijun Wang, phd +5 位作者 VishalAnugu,BA NatalieRose Matthew McKenna, BS nicholas petrick, phd Joseph E. Bums, MD, phd Ronald M. Summers, MD, phd 《中国医疗设备》 2012年第6期1-8,共8页
目的通过计算机辅助诊断技术(CAD),利用分布式人工智能进行CT结肠成像的病理诊断。材料与方法本研究经人体实验保护局(OfficeofHumanSubjectsResearch)批准。研究内容中涉及健康保险流通与责任法案(HIPAA)的患者知情同意要求并... 目的通过计算机辅助诊断技术(CAD),利用分布式人工智能进行CT结肠成像的病理诊断。材料与方法本研究经人体实验保护局(OfficeofHumanSubjectsResearch)批准。研究内容中涉及健康保险流通与责任法案(HIPAA)的患者知情同意要求并未报批。CT数据采集于24名患有至少一块6mm息肉的病人,相关图样的分析通过计算机辅助诊断(CAD)软件完成,共鉴别268处疑似病灶。每处疑似病灶均由20名来自同一众包平台的知识工作者(KnowledgeWorkers,KWs)判断是否是息肉。为了检验本方法的可重复性,共228名知识工作者参与了两轮病灶鉴别工作。本文中,通过比较知识工作者和CAD软件分析结果的受试者工作特征曲线覆盖面积(AUC)来评价本方法的效果。结果知识工作者的检测水平AUC结果为:第1轮0.845±0.045(标准差),第2轮0.855±0.044。计算机辅助诊断软件(CAD)分析结果的AUC为0.859±0.043,两种方法之间并没有显著区别。根据病灶判断难度分析,容易的诊断中知识工作者表现更佳:第1轮AUC为0.951±0.032,第2轮0.966±0.027(P=0.039),CAD的AUC为0.877±0.048。对于两轮检验都参加的知识工作者而言,第2轮的诊断结果有显著的提升:第1轮AUC为0.759±0.052,第2轮为0.839±0.046(P=0.041)。结论在慢性息肉的诊断方面,分布式人工智能和计算机辅助诊断(CAD)技术的结果之间并无显著差异。 展开更多
关键词 计算机辅助诊断技术 CT结肠成像 人工智能 分布式 息肉 慢性 受试者工作特征曲线 患者知情同意
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部