后疫情时代人工智能肺炎辅助诊断系统的临床应用场景探索

目的:基于临床验证性研究,探索后疫情时代人工智能肺炎辅助诊断系统(AI-ADS)潜在的临床应用场景。方法:回顾性收集了来自三家医院的1049例胸部CT扫描数据,包括400例胸部CT表现正常的病例、233例新冠肺炎病例和416例其他社区获得性肺炎病例。六名高年资放射科医师参与了数据标注工作。采用敏感度、特异度、Dice系数和受试者操作特征(ROC)曲线下面积(AUC)评估人工智能系统在相应场景中的性能表现。结果:AI-ADS基于胸部CT识别各类型肺炎、细菌性肺炎、新冠肺炎、其他病毒性肺炎和其他社区获得性肺炎的AUC分别为0.968、0.983、0.992、0.941、0.958,检测各种肺炎的敏感度均超过0.90;鉴别病毒性肺炎和非病毒性肺炎的AUC达到0.950,敏感度为0.885,特异度为0.910;在新冠肺炎和其他社区获得性肺炎测试集中分割肺炎区域的平均Dice系数分别达到0.851和0.753。结论:AI-ADS在肺炎的检测预警、病灶定量分析以及鉴别诊断方面具有良好的性能,具备了后疫情时代的多场景应用价值。

基于结构MRI机器学习模型诊断帕金森病的价值

目的探讨基于多种结构MRI特征构建的机器学习模型诊断帕金森病(PD)的价值。方法回顾性分析2017年11月至2019年8月在苏州大学附属第二医院神经内科就诊的60例PD患者(PD组)和同期招募的56名社区健康老年人(NC组)的临床及影像资料。首先对所有受试者进行全脑MR扫描,然后基于不同的脑分区模板,从小脑、深部核团和皮层提取多种结构MRI特征,利用Mann-Whitney U检验和最小绝对值收缩与选择算子回归筛选一组最具诊断鉴别力的特征,最后运用逻辑回归(LR)和线性判别分析(LDA)两种分类器,结合5折交叉验证策略分别构建小脑、深部核团、皮层和基于所有特征的综合模型。采用受试者操作特征曲线的曲线下面积(AUC)和决策曲线分析(DCA)评价各模型的诊断效能和临床净收益。结果最终筛选出4个小脑特征(LobuleⅥ体积非对称指数、LobuleⅦB皮层厚度非对称指数、灰质体积非对称指数及右侧LobuleⅥ灰质体积)、3个深部核团(右侧伏隔核绝对体积、伏隔核绝对和相对体积)和3个皮层(左侧PFm局部脑回指数、右侧额上回局部分形维数和左侧枕上回沟深)特征为最具诊断鉴别力的特征,并构建模型。验证集中,基于LR分类器的小脑、深部核团、皮层和综合模型诊断PD的AUC值分别为0.692、0.641、0.747和0.816,基于LDA分类器的小脑、深部核团、皮层和综合模型诊断PD的AUC值分别为0.726、0.610、0.752和0.818。基于LR和LDA分类器的综合模型诊断PD的效能均优于其他模型(P<0.05)。DCA曲线显示验证集中基于LR和LDA分类器下的综合模型临床净收益最高。结论基于LR和LDA分类器的小脑、深部核团、皮层特征的综合模型诊断PD具有良好的效能和临床净收益。