病毒性肺炎影像学特征分析

目的分析病毒性肺炎患者的胸部CT影像特征,为早期诊断提供影像学依据。方法回顾性分析92例确诊为病毒性肺炎患者的临床和影像学资料,总结其影像学特征。结果患者平均年龄(54.0±20.0)岁。临床表现主要为发热、咳嗽、咳痰、咽痛、鼻塞、乏力。病灶分布:单侧45例(48.9%),双侧47例(51.1%);其中右肺上叶17例(18.5%),右肺中叶11例(12.0%),右肺下叶20例(21.7%),左肺上叶8例(8.7%),左肺下叶22例(23.9%),多肺叶受累14例(15.2%)。病变密度:单纯磨玻璃密度(GGO)36例(39.1%),实变22例(23.9%),混合GGO密度34例(37.0%)。病灶形态:斑点状11例(12.0%)、斑片状50例(54.3%)、团块状4例(4.3%)、结节状8例(8.7%)、蜂窝状3例(3.3%)、混合型16例(17.4%)。伴随其他征象中空气支气管征17例(18.5%),血管增粗征22例(23.9%)、晕征12例(13.0%)、胸膜平行征14例(15.2%)、铺路石征3例(3.3%)、坠积性转变11例(12.0%)。合并其他疾病:支气管扩张8例(8.7%)、肺气肿9例(9.8%)、肺大疱27例(29.3%)、胸腔积液6例(6.5%),心脏改变7例(7.6%)。5~21 d后复查病变好转70例(76.1%),未见明显变化12例(13.0%),加重10例(10.9%)。7~41 d后病变转归:纤维灶残留34例(37.0%),病变完全吸收58例(63.0%)。结论病毒性肺炎的胸部CT影像表现有特征性,在其早期诊断中发挥着重要作用。

超声人工智能联合TI-RADS分类在甲状腺结节鉴别诊断中的辅助价值

目的:探讨超声人工智能联合美国放射学会甲状腺影像与报告系统(TI-RADS)分类在甲状腺结节良恶性鉴别诊断中的价值。方法:回顾性分析860例(共920个结节)行甲状腺手术的患者,术前均行超声检查,并与术后组织病理学结果对照,比较人工智能、TI-RADS分类及两者联合诊断的效能,采用Kappa检验分析不同诊断方式的一致性。结果:人工智能、TI-RADS及联合检查诊断甲状腺恶性结节的准确率分别为78.80%(725/920)、80.98%(745/920)及85.00%(782/920);敏感度76.36%(252/330)、80.61%(266/330)及86.36%(285/330);特异度分别为80.17%(473/590)、81.19%(479/590)及84.24%(497/590)。ROC曲线分析人工智能、TI-RADS分类及联合诊断甲状腺恶性结节的AUC分别为0.783、0.792及0.853(Z=1.465,P=0.143)。结论:人工智能与TI-RADS分类对甲状腺结节均具有较高的诊断效能,联合诊断能更有效地鉴别甲状腺结节的良恶性。

人工智能辅助超声对甲状腺结节检出的研究进展

近年来甲状腺结节发病率持续升高,早期精准检出甲状腺癌对患者治疗及生存期有重要意义。人工智能是一门新兴的技术科学,应用极为广泛,已有不少学者对人工智能在甲状腺结节检出中的应用进行了深入研究,现就人工智能在超声检测甲状腺结节中的临床应用及研究进展进行综述。

基于CT的深度学习模型在甲状腺结节良恶性鉴别中的应用

目的:构建和验证一个用于CT自动识别甲状腺结节的深度学习模型,旨在提高CT医师对甲状腺结节的诊断水平。方法:从医院数据库中选取经手术病理证实的甲状腺结节患者672例,选取330例(其中恶性280例,良性病变50例)用于深度学习模型的训练,余342例用于模型验证,同时再由3名不同年资的CT医师进行诊断,并统计相关结果。结果:深度学习模型用于甲状腺结节的诊断准确率91.8%、敏感度84.5%、特异度87.8%,每例诊断时间为(0.30±0.02)s,均优于3名医师(均P<0.05)。结论:深度学习模型用于甲状腺结节的诊断具有较高的准确率、特异度和敏感度,可辅助CT医师实时诊断甲状腺结节。