人工智能辅助胸片筛查在肺结核感染高危人群中的应用价值

中国是全球结核病感染率较高的国家之一,结核病患者人数居世界第3位[1]。及早发现和治愈结核病患者现已被公认是控制和预防结核病的最有效和最具成本效益的措施。数字射线摄影是肺结核高危人群早期筛查的首选影像技术,然而不同年资放射科医生基于胸片诊断肺结核的水平差异较大[2]。

基于特征金字塔网络自动分割平扫CT所示自发性脑出血血肿并判断其语义特征

目的观察基于特征金字塔网络(FPN)自动分割平扫CT所示自发性脑出血(sICH)血肿并判断其语义特征的价值。方法回顾性收集A医院408例(训练集)及B医院103例(验证集)sICH平扫CT图像;基于FPN构建深度学习(DL)分割模型分割血肿区域,并以交并比(IoU)、戴斯相似系数(DSC)及准确率评价其效能;以DL分类模型判断血肿语义特征,绘制受试者工作特征曲线,计算曲线下面积(AUC),评估其识别sICH血肿语义特征的效能。结果DL分割模型分割训练集95%sICH血肿的IoU、DSC及准确率分别为0.84±0.07、0.91±0.04及(88.78±8.04)%,在验证集分别为0.83±0.07、0.91±0.05及(88.59±7.76)%。DL分类模型识别训练集及验证集sICH血肿不规则形态、不均匀密度、卫星征、混杂征及漩涡征的AUC分别为0.946~0.993及0.714~0.833。结论基于FPN可准确、高效地自动分割sICH血肿,对于判断血肿语义特征亦具有较高效能。

3D Res2Net深度学习模型预测肺实性结节体积倍增时间

目的观察3D Res2Net深度学习模型预测肺实性结节体积倍增时间(VDT)的价值。方法回顾性分析734例肺实性结节患者胸部CT资料,根据随访期间肺结节体积增加是否≥25%将其分为进展组(n=218)与非进展组(n=516),并按7∶3比例划分训练集(n=515)与验证集(n=219);利用多因素logistic回归分析基于组间差异有统计学意义的临床参数构建临床模型,采用卷积神经网络提取肺结节二维CT图像特征构建CT特征模型,基于Res2Net网络输入三维CT图像构建3D Res2Net模型;绘制受试者工作特征曲线,计算曲线下面积(AUC),以实际VDT为标准,评估临床模型、CT特征模型及3D Res2Net模型预测肺实性结节VDT≤400天的效能。结果临床模型、CT特征模型及3D Res2Net模型预测效能差异均无统计学意义(P均>0.05),其在训练集的AUC分别为0.689、0.698及0.734,在验证集分别为0.692、0.714及0.721。3D Res2Net模型预测肺实性结节VDT用时5~7 s、平均(5.92±1.08)s。结论3D Res2Net模型可用于预测肺实性结节VDT以大幅缩短人工阅片时间。

“AI+医疗”时代,我国医疗服务砥砺前行

AI渗入各个层面医疗资源供需矛盾是我国医疗行业面临的根本问题,也是AI医疗发展的主要驱动力。随着“AI+医疗”驶入快车道,我国医疗行业发生了巨大变革。在AI赋能的时代,我国各个领域都发生了巨大的变化,呈现出广阔的发展前景,主要表现在以下几个方面。从技术层面来看,AI专利的申请在2006年、2008年、2010年分别达到了高峰期。在医院,我们看到许多AI专利应用的案例,这说明AI技术已经开始渗入这个行业,正在逐渐展现它的应用。

基于Faster R卷积神经网络构建胸部X线片异物智能检测模型的可行性研究

目的构建基于Faster R卷积神经网络的后前位胸部X线片异物智能检测模型,并评估模型的性能。方法回顾性分析2019年6月至2020年3月浙江省人民医院和淳安县人民医院的成人后前位DR胸片5567张,其中含异物胸片4247张。分为异物训练集(2911张异物胸片)、验证集(1456张,733张含异物、723张无异物)和测试集(1200张,603张含异物、597张无异物)。每张胸片的异物经过2名放射住院医师标注和1名高年资放射技师审核校正后的结果作为参考金标准。采用受试者操作特征(ROC)曲线及曲线下面积分析深度学习模型在测试集中区分胸片有无异物的效能,采用精准率-召回率曲线及平均精确度(mAP)分析模型在不同层级的稳定性。最后分析不同位置、患者性别、患者年龄对于深度学习模型的异物召回率的影响。结果测试集中,深度学习模型诊断胸片是否含有异物的灵敏度为93.2%(562/603),特异度为92.6%(553/597),F1分数为0.94,ROC曲线下面积为0.97,mAP值为0.69。对于不同位置的异物,肺野内和肺野外的异物检测的召回率分别为91.2%(674/739)和89.0%(1411/1585)。对于不同性别的患者,男性和女性的异物检测召回率分别为87.3%(337/386)和90.0%(1745/1938)。对于不同的年龄分段,18~38岁的异物检测召回率为92.5%(1041/1126),39~58岁的异物检测召回率为89.7%(505/563),59~78岁的异物检测召回率为83.5%(335/401),≥79岁的异物检测召回率为85.9%(201/234)。结论构建的基于深度学习的成人后前位胸部X线片异物检测模型具有很高的灵敏度和稳定性,可以快速准确地识别胸片中的异物。