目的采用人工智能(artificial intelligence,AI)的胸部低剂量计算机断层扫描(low-dose computed tomography,LDCT)影像特征分析肺结节良恶性的危险因素,建立肺结节良恶性预测模型。方法选择2021年1月至2022年12月我院收治的肺结节患者24...目的采用人工智能(artificial intelligence,AI)的胸部低剂量计算机断层扫描(low-dose computed tomography,LDCT)影像特征分析肺结节良恶性的危险因素,建立肺结节良恶性预测模型。方法选择2021年1月至2022年12月我院收治的肺结节患者240例,收集临床资料,采用LDCT及AI鉴别肺结节,进行多因素分析,筛选肺结节良恶性的危险因素,建立二元Logistics回归模型,比较AI、影像医师及预测模型的诊断价值。结果最小CT值、直径R、毛刺征、血管穿行征、纯磨玻璃结节、部分实性结节是影响肺结节良恶性的危险因素(P<0.05)。二元Logistics回归模型为logit(P)=-2.905+(0.93×直径R)+(1.572×血管穿行)+(1.346×毛刺征)+(1.755×纯磨玻璃结节)+(2.25×部分实性结节)-(0.001×最小CT值),AI、影像医师及预测模型鉴别的灵敏度分别为89.86%、81.88%、73.19%,特异度分别为32.35%、55.88%、73.53%,阳性似然比分别为1.328、1.856、2.762,阴性似然比分别为0.314、0.324、0.365,曲线下面积(area under the curve,AUC)分别为0.611、0.689、0.789。结论联合肺结节形态特征及基于AI的CT定量参数回归模型对肺结节良恶性的诊断价值优于AI及影像医师,具有临床意义。展开更多
文摘目的采用人工智能(artificial intelligence,AI)的胸部低剂量计算机断层扫描(low-dose computed tomography,LDCT)影像特征分析肺结节良恶性的危险因素,建立肺结节良恶性预测模型。方法选择2021年1月至2022年12月我院收治的肺结节患者240例,收集临床资料,采用LDCT及AI鉴别肺结节,进行多因素分析,筛选肺结节良恶性的危险因素,建立二元Logistics回归模型,比较AI、影像医师及预测模型的诊断价值。结果最小CT值、直径R、毛刺征、血管穿行征、纯磨玻璃结节、部分实性结节是影响肺结节良恶性的危险因素(P<0.05)。二元Logistics回归模型为logit(P)=-2.905+(0.93×直径R)+(1.572×血管穿行)+(1.346×毛刺征)+(1.755×纯磨玻璃结节)+(2.25×部分实性结节)-(0.001×最小CT值),AI、影像医师及预测模型鉴别的灵敏度分别为89.86%、81.88%、73.19%,特异度分别为32.35%、55.88%、73.53%,阳性似然比分别为1.328、1.856、2.762,阴性似然比分别为0.314、0.324、0.365,曲线下面积(area under the curve,AUC)分别为0.611、0.689、0.789。结论联合肺结节形态特征及基于AI的CT定量参数回归模型对肺结节良恶性的诊断价值优于AI及影像医师,具有临床意义。
