目的评价人工智能(AI)辅助计算机断层扫描(CT)诊断肺结节良、恶性的价值。方法通过检索PubMed、The Cochrane Library、Embase、Web of Science、中国知网、中国生物医学文献服务系统,搜集AI结合CT评估肺结节良、恶性的相关研究。对符...目的评价人工智能(AI)辅助计算机断层扫描(CT)诊断肺结节良、恶性的价值。方法通过检索PubMed、The Cochrane Library、Embase、Web of Science、中国知网、中国生物医学文献服务系统,搜集AI结合CT评估肺结节良、恶性的相关研究。对符合纳入、排除标准的文献使用QUADAS-2量表进行方法学质量评估。运用RevMan5.3和Stata18.0进行数据整合与分析。分组比较AI与临床医师在肺结节性质判别中的诊断效能,用Z检验比较2组的差异,并构建综合受试者操作特征曲线;用异质性检验分析研究间差异的影响因素,以AI系统类型分组进行亚组分析,比较不同系统间敏感度、特异度等指标的差异。结果AI辅助CT诊断与医生阅片的合并诊断效能指标敏感度、特异度、阳性似然比、阴性似然比、诊断比值比,及综合受试者操作特征曲线下面积,差异均无统计学意义(P>0.05)。结论AI辅助CT在肺结节性质判别中展现出与传统医生阅片相当的诊断效能,敏感度略高,提示AI辅助CT在降低漏诊率方面或有潜力,但需大规模临床验证。展开更多
目的探讨人工智能(artificial intelligence,AI)辅助诊断系统在胸部CT诊断高原地区肺结节中的应用。方法回顾性收集2022年1月—2024年5月西藏自治区人民医院胸部CT中发现的非钙化型肺结节病灶。以病理结果为金标准,通过AI辅助诊断系统...目的探讨人工智能(artificial intelligence,AI)辅助诊断系统在胸部CT诊断高原地区肺结节中的应用。方法回顾性收集2022年1月—2024年5月西藏自治区人民医院胸部CT中发现的非钙化型肺结节病灶。以病理结果为金标准,通过AI辅助诊断系统进行诊断、医师人工阅片并分析相关参数,比较3种诊断方法对肺结节的诊断效能。结果共纳入患者154例。其中,男性79例,女性75例;平均(54.2±13.9)岁;非钙化肺结节病灶172个。医师+AI的联合诊断方法[曲线下面积(area under the curve,AUC)=0.848,95%置信区间(confidence interval,CI)(0.697,0.835),P=0.003]优于医师[AUC=0.739,95%CI(0.663,0.806),P=0.031]或AI[AUC=0.771,95%CI(0.697,0.835),P=0.012]。且AI与医师的区分能力无实际差异(P>0.05)。AI识别的3种密度类型的肺结节良恶性率比较,差异无统计学意义(P=0.386)。高原地区不同肺段恶性肺结节的分布不同,主要分布在右上叶尖段和左上叶后段。医师与AI测量肺结节最大截面积一致性无系统性偏差(t=-0.687,P=0.493)。结论临床中肺结节的良、恶性判断应由医师与AI联合完成,以提高效能、规避误判风险。在高原地区,实性、部分实性及磨玻璃密度肺结节中良、恶性分布无显著性差异,与低海拔地区不同,阅片时应视为同等重要的鉴别对象。AI可有效替代医师测量结节截面积,提高效率。高原地区恶性肺结节在肺段分布上存在显著差异,以右肺上叶尖段和左肺上叶尖后段为主。展开更多
目的通过应用深度学习CTBViT(Classification Transformer Block for TB)模型对耐多药肺结核和药物敏感性肺结核CT影像进行分类,探讨CTBViT模型分类效能。方法提出CTBViT模型,引入新的补丁缩减块(PRB),通过删除不重要的标记来提高效率,...目的通过应用深度学习CTBViT(Classification Transformer Block for TB)模型对耐多药肺结核和药物敏感性肺结核CT影像进行分类,探讨CTBViT模型分类效能。方法提出CTBViT模型,引入新的补丁缩减块(PRB),通过删除不重要的标记来提高效率,建立一种随机分类器,以避免将大型预训练模型应用于结核病数据集时遇到的过拟合问题,在数据集上评估模型性能,并与初级、中级、高级职称影像医生诊断效能比较。结果深度学习CTBViT模型的准确率为98.3%,分别高于初级、中级、高级职称的65.3%、68.1%、72.5%,差异均有统计学意义(χ^(2)=32.55、28.33、23.00,P均<0.001);测试时间为(0.50±0.01)分钟,分别快于初级、中级、高级职称影像医生测试时间(48.66±6.81)分钟、(46.00±6.24)分钟、(43.66±5.86)分钟,差异均有统计学意义(t=-67.462、-69.558、-70.259,P均<0.001)。结论CTBViT模型适用于耐多药肺结核病和药物敏感性肺结核的分类,它能尽早分类耐多药肺结核,有助于及时调整治疗方案,提高治疗效果。展开更多
文摘目的评价人工智能(AI)辅助计算机断层扫描(CT)诊断肺结节良、恶性的价值。方法通过检索PubMed、The Cochrane Library、Embase、Web of Science、中国知网、中国生物医学文献服务系统,搜集AI结合CT评估肺结节良、恶性的相关研究。对符合纳入、排除标准的文献使用QUADAS-2量表进行方法学质量评估。运用RevMan5.3和Stata18.0进行数据整合与分析。分组比较AI与临床医师在肺结节性质判别中的诊断效能,用Z检验比较2组的差异,并构建综合受试者操作特征曲线;用异质性检验分析研究间差异的影响因素,以AI系统类型分组进行亚组分析,比较不同系统间敏感度、特异度等指标的差异。结果AI辅助CT诊断与医生阅片的合并诊断效能指标敏感度、特异度、阳性似然比、阴性似然比、诊断比值比,及综合受试者操作特征曲线下面积,差异均无统计学意义(P>0.05)。结论AI辅助CT在肺结节性质判别中展现出与传统医生阅片相当的诊断效能,敏感度略高,提示AI辅助CT在降低漏诊率方面或有潜力,但需大规模临床验证。
文摘目的探讨人工智能(artificial intelligence,AI)辅助诊断系统在胸部CT诊断高原地区肺结节中的应用。方法回顾性收集2022年1月—2024年5月西藏自治区人民医院胸部CT中发现的非钙化型肺结节病灶。以病理结果为金标准,通过AI辅助诊断系统进行诊断、医师人工阅片并分析相关参数,比较3种诊断方法对肺结节的诊断效能。结果共纳入患者154例。其中,男性79例,女性75例;平均(54.2±13.9)岁;非钙化肺结节病灶172个。医师+AI的联合诊断方法[曲线下面积(area under the curve,AUC)=0.848,95%置信区间(confidence interval,CI)(0.697,0.835),P=0.003]优于医师[AUC=0.739,95%CI(0.663,0.806),P=0.031]或AI[AUC=0.771,95%CI(0.697,0.835),P=0.012]。且AI与医师的区分能力无实际差异(P>0.05)。AI识别的3种密度类型的肺结节良恶性率比较,差异无统计学意义(P=0.386)。高原地区不同肺段恶性肺结节的分布不同,主要分布在右上叶尖段和左上叶后段。医师与AI测量肺结节最大截面积一致性无系统性偏差(t=-0.687,P=0.493)。结论临床中肺结节的良、恶性判断应由医师与AI联合完成,以提高效能、规避误判风险。在高原地区,实性、部分实性及磨玻璃密度肺结节中良、恶性分布无显著性差异,与低海拔地区不同,阅片时应视为同等重要的鉴别对象。AI可有效替代医师测量结节截面积,提高效率。高原地区恶性肺结节在肺段分布上存在显著差异,以右肺上叶尖段和左肺上叶尖后段为主。
文摘目的通过应用深度学习CTBViT(Classification Transformer Block for TB)模型对耐多药肺结核和药物敏感性肺结核CT影像进行分类,探讨CTBViT模型分类效能。方法提出CTBViT模型,引入新的补丁缩减块(PRB),通过删除不重要的标记来提高效率,建立一种随机分类器,以避免将大型预训练模型应用于结核病数据集时遇到的过拟合问题,在数据集上评估模型性能,并与初级、中级、高级职称影像医生诊断效能比较。结果深度学习CTBViT模型的准确率为98.3%,分别高于初级、中级、高级职称的65.3%、68.1%、72.5%,差异均有统计学意义(χ^(2)=32.55、28.33、23.00,P均<0.001);测试时间为(0.50±0.01)分钟,分别快于初级、中级、高级职称影像医生测试时间(48.66±6.81)分钟、(46.00±6.24)分钟、(43.66±5.86)分钟,差异均有统计学意义(t=-67.462、-69.558、-70.259,P均<0.001)。结论CTBViT模型适用于耐多药肺结核病和药物敏感性肺结核的分类,它能尽早分类耐多药肺结核,有助于及时调整治疗方案,提高治疗效果。
