目的分析基于从头训练模式深度学习-卷积神经网络模型[the deep learning convolutional neural network model trained from scratch,DL-CNN(fs)]的人工智能算法评估急性肺动脉血栓栓塞(acute pulmonary thromboembolism,APE)的价值。...目的分析基于从头训练模式深度学习-卷积神经网络模型[the deep learning convolutional neural network model trained from scratch,DL-CNN(fs)]的人工智能算法评估急性肺动脉血栓栓塞(acute pulmonary thromboembolism,APE)的价值。方法回顾性纳入214例可疑APE行CT肺动脉造影(CTPA)的住院患者,包括急性肺动脉血栓栓塞137例,阴性77例。放射科医师根据CTPA图像判断有无APE,并计算Qanadli评分、Mastora评分和其他CTPA参数。采用DL-CNN(fs)训练网络模型自动检测栓子的分布及容积。评估DL-CNN(fs)模型测量血栓分布的价值,计算血栓负荷与Qanadli评分、Mastora评分和其他CTPA参数的相关性。结果DL-CNN(fs)测算的中心肺动脉栓子敏感度、特异度、感兴趣区曲线下面积(AUC)分别为100%、16.8%、0.584(95%CI,0.508~0.661);DL-CNN(fs)测算的外周肺动脉栓子敏感度、特异度、AUC均较高(R1-R9,60.8%~95.2%,67.9%~87.1%,0.740~0.844;L1-L10,64.6%~93.4%,62.7%~83.1%,0.732~0.791)。DL-CNN(fs)测算的栓子体积与Qanadli score肺栓塞指数显著正相关(r=0.867,P<0.001),与Mastora score肺栓塞指数显著正相关(r=0.854,P<0.001),与右心室及左心室最大横径比、右心室及左心室最大面积比呈正相关(r=0.549,0.559,P<0.01)。结论DL-CNN(fs)模型检测外周肺动脉栓子具有较高的价值,对中心肺动脉栓子诊断特异度有待进一步提高。DL-CNN(fs)模型自动提供APE患者的栓子体积,可以一定程度反映栓塞程度及右心功能,能够辅助医生对于APE患者血栓负荷及危险分层的快速评估。展开更多
文摘目的分析基于从头训练模式深度学习-卷积神经网络模型[the deep learning convolutional neural network model trained from scratch,DL-CNN(fs)]的人工智能算法评估急性肺动脉血栓栓塞(acute pulmonary thromboembolism,APE)的价值。方法回顾性纳入214例可疑APE行CT肺动脉造影(CTPA)的住院患者,包括急性肺动脉血栓栓塞137例,阴性77例。放射科医师根据CTPA图像判断有无APE,并计算Qanadli评分、Mastora评分和其他CTPA参数。采用DL-CNN(fs)训练网络模型自动检测栓子的分布及容积。评估DL-CNN(fs)模型测量血栓分布的价值,计算血栓负荷与Qanadli评分、Mastora评分和其他CTPA参数的相关性。结果DL-CNN(fs)测算的中心肺动脉栓子敏感度、特异度、感兴趣区曲线下面积(AUC)分别为100%、16.8%、0.584(95%CI,0.508~0.661);DL-CNN(fs)测算的外周肺动脉栓子敏感度、特异度、AUC均较高(R1-R9,60.8%~95.2%,67.9%~87.1%,0.740~0.844;L1-L10,64.6%~93.4%,62.7%~83.1%,0.732~0.791)。DL-CNN(fs)测算的栓子体积与Qanadli score肺栓塞指数显著正相关(r=0.867,P<0.001),与Mastora score肺栓塞指数显著正相关(r=0.854,P<0.001),与右心室及左心室最大横径比、右心室及左心室最大面积比呈正相关(r=0.549,0.559,P<0.01)。结论DL-CNN(fs)模型检测外周肺动脉栓子具有较高的价值,对中心肺动脉栓子诊断特异度有待进一步提高。DL-CNN(fs)模型自动提供APE患者的栓子体积,可以一定程度反映栓塞程度及右心功能,能够辅助医生对于APE患者血栓负荷及危险分层的快速评估。
