基于人工智能的冠状动脉CT血管成像检测阻塞性冠状动脉狭窄效能的研究

目的 以有创冠状动脉造影（ICA）为参考标准,探讨人工智能(AI)辅助的冠状动脉CT血管成像（CCTA）诊断阻塞性冠状动脉狭窄的效能。 方法 回顾性收集行CCTA检查并于3个月内行ICA检查的50例疑患冠状动脉疾病（CAD）的病人,男34例,女16例,平均年龄（61.8±8.5）岁。AI软件、不同年资医师（低/中/高年资）及AI+不同年资医师分别对入组病人CCTA影像进行后处理并解读。将ICA和CCTA上冠状动脉管腔狭窄≥50%定义为阻塞性冠状动脉狭窄。采用Agatston积分法测量病人的钙化积分值,并将病人分为低钙化组（钙化积分<100）和高钙化组（钙化积分≥100）。采用独立样本t检验对AI、医师及AI+医师的图像后处理和解读时间进行两两比较。以ICA为参考标准,分析AI在不同研究水平和高/低钙化组的诊断价值,并比较AI、不同年资医师和AI+不同年资医师的诊断敏感度、特异度、阳性预测值、阴性预测值、准确度及受试者操作特征（ROC）曲线下面积（AUC）。采用Pearson卡方检验或Fisher精确概率检验比较组间差异,采用DeLong检验比较AUC。 结果 50例病人共分析195支血管424个节段。AI和AI+医师的平均后处理和解读时间均低于单独医师诊断的时间（均P<0.05）,AI的时间较低/中/高年资医师分别减少了80%、76.8%和75%;AI+低/中/高年资医师较单独医师分别减少了67%、64%、57.9%。在病人、血管及节段水平,AI诊断阻塞性冠状动脉狭窄的敏感度分别为93.7%、83.1%、67.7%,特异度为50.0%、89.0%、91.0%,准确度为92%、86.7%、85.6%,阳性预测值为97.8%、83.1%、69.8%,阴性预测值为25%、89.0%、90.2%,AUC为0.87、0.89、0.83;在血管及节段水平,AI对低钙化组的特异度高于高钙化组（均P<0.05）。在血管水平,AI诊断的AUC值均低于中/高年资医师（均P<0.05）;其余研究水平,AI与其他不同年资医师诊断的AUC值差异均无统计学意义（均P>0.05）。3种研究水平下,AI+低/中/高年资医师诊断的AUC值与单独不同年资医师诊断的AUC值差异均无统计学意义（均P>0.05）。 结论 AI辅助的CCTA诊断阻塞性冠状动脉狭窄具有较好的诊断效能,且明显缩短后处理时间,可能成为临床医师诊断阻塞性冠状动脉狭窄的有效辅助工具。     

AI与不同年资放射医师对新冠肺炎CT诊断效能比较

【摘要】目的:比较和分析人工智能（AI）技术、低年资放射医师、高年资放射医师、AI联合低年资放射医师对新冠肺炎CT诊断效能,探讨AI对新冠肺炎CT辅助诊断价值。方法:分析经AI新冠诊断软件诊断新冠概率＞0%的53例患者图像,统计计算A组（低年资医师,参与放射诊断工作＜10年）、B组（高年资医师,参与放射诊断工作≥10年）、C组（AI）、D组（低年资医师联合AI）初次CT诊断新冠肺炎信心评分受试者特征曲线（ROC）,Z检验比较各组诊断效能;并以AI诊断新冠肺炎最大约登指数相应截断值为标准,比较各组敏感度、特异度。 结果：各组诊断效能曲线下面积比较（AUC）。A组＜B、D组（Z=2.406、2.013）,C组＜D组（Z=2.031）,B组＞C组（Z=2.113）,差异均具有统计学意义（P＜0.05）;余组间差异均无统计学意义（P＞0.05）。以AI诊断新冠肺炎最大约登指数相应截断值＞3分为标准,各组对新冠肺炎CT诊断效能比较。敏感性：A组＜B、D组（χ2=3.854、13.781）,C组＜D组（χ2=7.726）,差异均具有统计学意义（P＜0.05）;余组间差异均无统计学意义（P＞0.05）。特异性：A组＜B、D组（χ2=6.876、6.876）,差异均具有统计学意义（P＜0.05）;余组间差异均无统计学意义（P＞0.05）。结论：基于深度学习AI技术在新冠肺炎CT诊断中具有较高临床应用价值,AI可辅助低年资医师提高对新冠肺炎CT诊断效能。     

AI辅助软件对于提高不同年资规培医师肺结节检测能力的影响

目的评估人工智能(AI)辅助软件对低、高不同年资规培医师在提高胸部CT肺结节的检测效能中的应用价值。方法回顾性收集行胸部CT检查有1枚及以上肺结节且结节直径为1 mm～3 cm的181例病人。分别在低、高年资规培医师独立和借助AI软件辅助检测的4种情况下检测不同密度(实性、纯磨玻璃、混合磨玻璃和钙化)及不同大小(5 mm、5～10 mm和10 mm)肺结节的敏感度和假阳性结节数。分别采用卡方检验和配对t检验或Wilcoxon秩和检验比较低、高年资规培医师检测结节的敏感度和假阳性结节数。结果对于实性结节及5 mm结节的检测,高年资医师的敏感度高于低年资医师(均P0.05);在AI辅助下阅片时,高年资医师检测实性结节、纯磨玻璃结节(pGGN)、钙化结节及5 mm结节、5～10 mm结节的敏感度均高于低年资医师(均P0.05)。无论是独立阅片还是AI辅助阅片,低、高年资医师对10 mm肺结节假阳性结节数的检测差异均无统计学意义(P0.05),而对于检测其余肺结节的假阳性结节数,低年资医师均多于高年资医师(均P0.05)。对于钙化结节、10 mm肺结节的检测,低年资医师在独立阅片和AI辅助阅片下的敏感度差异无统计学意义(P0.05),而对于其余肺结节的检测,AI辅助阅片的敏感度均较独立阅片时有明显提高(均P0.05);并且低年资医师在有无AI辅助的阅片对检测10 mm肺结节假阳性结节数的差异无统计学意义(P0.05),而在AI辅助下,其检测实性结节、钙化结节、5 mm结节及5～10 mm结节的假阳性结节数均较独立阅片减少,但检测pGGN和混合磨玻璃结节(mGGN)的假阳性结节数增多(均P0.05)。高年资医师有无AI辅助阅片,对10 mm肺结节的检测敏感度及假阳性结节数的差异均无统计学意义(均P0.05),而在AI辅助阅片下,其检测其余肺结节的敏感度均较独立阅片时有显著提高,且假阳性结节数均不同程度减少(均P0.05)。结论 AI辅助软件能够有效提高规培医师对CT上不同肺结节的检测效能,降低漏诊风险,但低年资规培医师检测的假阳性结节数仍较多。     

人工智能冠状动脉CT血管成像在冠心病诊断中的应用

【摘要】目的：探讨人工智能（artificial intelligence,AI）冠状动脉CT血管成像（CCTA）在冠心病诊断中的应用价值。方法：选取本院2018年3-8月,临床疑诊为冠心病的患者50例,对所有患者常规行CCTA扫描,对上传至后处理Sigovia工作站的图像分别由两位高年资医生进行手动冠状动脉分析软件的图像处理、完成报告和由冠心病智能辅助诊断工作站的自动识别图像中的血管和病变并生成报告。评价AI在冠心病中的诊断价值。结果：冠心病诊断中,与常规高年资医生相比,AI对冠心病诊断的阳性预测值为80%,阴性预测值为70%,敏感度为80%,特异度为70%。AI对冠脉病变定位识别的敏感度和特异度分别为73.91%,82.69%。AI对冠脉病变斑块性质识别的敏感度和特异度分别为54.35%,81.73%。在冠脉病变管腔狭窄程度的诊断中,AI和高年资医生对冠脉狭窄的总检出率分别为30.67%、32%,差异无统计学意义（P＞0.05）,AI对冠脉病变管腔狭窄程度识别的敏感度和特异度分别为60.87%,80.77%。结论：与高年资医生相比,AI辅助CCTA对冠心病的诊断具有一定的价值。     

基于PI-RADS V2.1评估双参数和多参数MRI对外周带临床显著性前列腺癌的诊断价值

【摘要】目的：基于第2.1版前列腺影像报告和数据系统（PI-RADS V2.1）评估双参数（bpMRI）和多参数磁共振成像（mpMRI）对外周带临床显著性前列腺癌（csPCa）的诊断价值。方法：回顾性分析154例经穿刺活检或手术病理证实的前列腺外周带病变患者的临床和MRI资料。154例患者中,前列腺癌为75例,其中csPCa 63例,无临床意义PCa（ciPCa）12例,良性病变79例。由两位放射科医师（分别具有3和10年前列腺MRI诊断经验）基于bpMRI和mpMRI分别对前列腺外周带主病灶进行PI-RADS评分,绘制其受试者工作曲线（ROC）,根据约登指数确定临界值,计算并比较两种方法的曲线下面积（AUC）及诊断符合率、敏感度、特异度、阴性和阳性预测值。结果：基于bpMRI和mpMRI,两位医师对病变PI-RADS评分的一致性均较好（Kappa值分别为 0.746和0.688）。低年资医师基于bpMRI 和mpMRI的PI-RADS评分诊断csPCa的AUC分别为0.761和0.774,差异无统计学意义（Z=1.469,P＞0.05）;高年资医师基于bpMRI和mpMRI的PI-RADS评分诊断csPCa的AUC分别为0.773和0.778,差异无统计学意义（Z=0.643,P＞0.05）。两位医师基于mpMRI的诊断敏感度均显著高于bpMRI（90.5% vs. 73.0%、90.5% vs. 70.8%,P均<0.01）,而诊断特异度均低于bpMRI（60.4% vs. 69.2%、61.5% vs. 71.4%,P均<0.05）。结论：不同年资医师基于bpMRI和mpMRI的PI-RADS评分对外周带csPCa的检测具有相近的诊断效能;bpMRI能使部分患者避免不必要的动态增强扫描,因而具有更佳的临床效益。     

人工智能辅助低、高年资规培医师对CT肺结节检测效能的对比研究

目的:探讨不同年资规培医师在CT独立阅片及应用人工智能辅助阅片模式下对肺内结节的检测效能是否有差异,并分析低年资规培医师在应用人工智能辅助阅片后,能否达到高年资规培医师对肺结节的检测水平。方法:收集180例患者的胸部CT图像,分别由2名低年资、2名高年资规培医师进行独立阅片并标注肺结节,经过2周洗脱期后,再次对相同病例借助人工智能软件进行阅片并标注结节,记录结节的位置、大小、密度及标注时间。将各组标记结果与金标准进行比较,记录真阳性、假阳性及假阴性结节数,计算结节检测敏感度及人均假阳性结节数。采用Kappa检验分析低、高年资规培医师对肺结节检测的一致性,采用Wilcoxon秩检验(配对样本)比较低、高年资规培医师独立阅片及借助人工智能辅助阅片的诊断敏感度、人均假阳性结节数和阅片时间。结果:低年资规培医师借助人工智能阅片较其独立阅片模式多检出358个真阳性结节,敏感度提高(77.07%vs.47.43%),且人均假阳性结节数降低(0.90个vs.1.48个),阅片时间缩短[(361.07±163.07)s vs.(429.11±132.61)s],差异均有统计学意义(均P<0.01)。高年资规培医师借助人工智能阅片较独立阅片模式多检出372个真阳性结节,敏感度提高(81.29%vs.50.50%),且人均假阳性结节数降低(0.27个vs.0.48个),差异均有统计学意义(均P<0.01),阅片时间略延长[(380.16±135.40)s vs.(367.22±120.52)s],差异无统计学意义(P>0.05)。低年资规培医师借助人工智能阅片模式较高年资规培医师独立阅片模式多检出321个真阳结节,敏感度提高(77.07%vs.50.50%),但人均假阳性结节数提高(0.90个vs.0.48个),差异有统计学意义(P<0.01),阅片时间略缩短[(361.07±163.07)s vs.(367.22±120.52)s],差异无统计学意义(P>0.05)。结论:借助人工智能阅片低、高年资规培医师肺结节检出效能均有提升,且大幅缩短低年资规培医师阅片时间。低年资规培医师借助人工智能软件后,尽管误诊结节稍多于高年资规培医师独立阅片,但前者检出的真结节数目远超后者。     

CAD-RADS在冠心病诊断中的应用：人工智能与人工方法的对照研究

目的:探讨基于冠状动脉CT血管成像(CCTA)的人工智能(AI)软件在检出冠状动脉病变及评估其CAD-RADS分级中的价值。方法:回顾性分析2018年11月-2020年12月本院临床疑诊为冠心病且行CCTA和冠状动脉血管造影(ICA)检查的175例患者的病例资料。由AI软件及3位不同年资影像诊断医师基于CCTA图像分别进行CAD-RADS分级,以ICA为金标准,计算AI软件和不同年资医师对阻塞性冠脉病变(冠脉狭窄程度≥50%)的诊断效能。采用Kappa检验分别评价AI软件与高、中、低年资医师基于CCTA对冠脉病变CAD-RADS分级评估的一致性。结果:(1)AI及高、中、低年资诊断医师评估冠脉狭窄≥50%的AUC值分别为0.764、0.858、0.747和0.731。其中,在钙化积分≥400组,相应的AUC值分别为0.608、0.750、0.625和0.625;在钙化积分<400组,相应的AUC值分别为0.801、0.884、0.776和0.756。AI软件及各年资医师AUC值的差异无统计学意义(P>0.05)。(2)AI软件与高年资医师基于CCTA的CAD-RADS分级一...     

人工智能辅助软件可提升疲劳状态下放射科规培医师对肺结节的检测效能

目的:探讨在人工智能(AI)肺结节检测软件的辅助下能否提升疲劳状态的放射科规培医师对肺结节的检测效能。方法:搜集182例患者的1 mm薄层胸部CT图像,有一位放射科规培医师分别在3种模式下进行阅片:正常状态下独立阅片(A组)、疲劳状态下(即一天日常工作满8小时以上)独立阅片(B组)、疲劳状态下使用AI软件辅助阅片(C组),三种阅片模式均间隔洗脱期(2周),分别记录每次阅片时检出结节的位置、大小和数目。将3次肺结节检出结果与金标准(由2位从事胸部影像诊断超过8年的中级医师结合AI筛查结果分别作出诊断,再由1位从事胸部影像诊断超过15年的高级医师最终审核确定)进行比较,计算敏感度和(患者)人均假阳性(误诊)结节数来评价3种模式的检测效能。结果:经金标准确认1281个肺结节,A组检出真阳性结节592个、假阳结节297个,敏感度46.21%,人均误诊结节数为1.63;B组检出真阳性结节517个、假阳结节225个,敏感度40.36%,人均误诊结节数为1.24;C组检出真阳性结节995个、假阳结节165个,敏感度77.67%,人均误诊结节数为0.91。B组的敏感度和人均误诊结节数均较A组降低,差异均有统计学意义(P<0.05);C组的敏感度较B组提高,且人均误诊结节数降低,差异均有统计学意义(P<0.05);C组的敏感度较A组提高,人均误诊结节数降低,差异均有统计学意义(P<0.05)。结论:疲劳显著降低了放射科规培医师对肺结节的检测效能,但在AI软件辅助下能明显提高疲劳状态下放射科规培医师对肺结节的检出效能,甚至超过其正常状态下的水平。     

基于DenseNet网络深度学习法CT图像人工智能分析技术判断肺结节良恶性

【摘要】目的：通过与单纯人工阅片进行比较，探讨基于DenseNet网络深度学习的人工智能肺结节自动检测系统鉴别肺结节良恶性的价值和优势。方法：搜集2015年1月－2017年12月本院510例肺结节CT检查病例，由医师组（按照从事胸部CT诊断的年限分为高级医师组和初级医师组）和人工智能组（基于DenseNet网络深度学习的人工智能系统）分别对所有肺结节进行良恶性的诊断，以病理结果为金标准，分别统计各组在不同大小肺结节（直径≤10mm、10mm<直径≤20mm以及直径>20mm）良恶性诊断上的敏感度、特异度及符合率，并通过卡方检验进行统计分析。结果：在510例肺结节的诊断中，人工智能组诊断敏感度（93.14%）与高级医师组（91.14%）间差异无统计学意义（P>0.05），与初级医师组（61.43%）间的差异具有统计学意义（P=0.000）；而诊断特异度（95.63%）及符合率（93.92%）均高于医师组（初级56.25%、59.80%；高级58.75%、80.98%），差异均有统计学意义（P=0.000）。在≤10mm的肺结节中，人工智能组的诊断敏感度、特异度及符合率均高于高级医师组（90.38%，92.96%，91.43%；78.85%，64.79%，73.14%；所有P=0.000）；在10mm<直径≤20mm和直径>20mm肺结节组中，人工智能组的诊断敏感度（92.25%，97.12%）与高级医师组（95.77%，97.12%）间的差异均无统计学意义（P=0.211和1.000），但诊断特异度（98.33%，96.55%）及符合率（94.06%，96.99%）均高于高级医师组（51.67%，58.62%；82.67%，88.72%），差异均有统计学意义（P<0.05）。在不同大小的三组结节中，人工智能组诊断敏感度、特异度及符合率均高于初级医师组（敏感度：90.38% vs. 17.31%，92.25% vs. 70.42%，97.12% vs. 93.27%；特异度：92.96% vs. 85.92%，98.33% vs. 43.33%，96.55% vs. 10.34%；符合率：91.43% vs. 45.14%，94.06% vs. 62.38%，96.99% vs. 75.19%），除两组在≤10mm肺结节中的诊断特异度（P=0.361>0.05）和>20mm肺结节中的诊断敏感度（P=0.211>0.05）的差异无统计学意义外，其它指标的组间比较差异均有统计学意义（P均<0.05）。结论：相较于人工诊断，应用人工智能（DenseNet网络深度学习）技术对肺结节的良、恶性进行诊断具有良好、可靠的诊断准确性。     

CAD整合入前列腺多参数MRI结构化报告：低经验读片者诊断效能研究

【摘要】目的：模拟真实临床工作场景,评估将计算机辅助诊断（CAD）作为“第二读片者”整合入前列腺多参数MRI（mpMRI）结构化报告中对低经验一线放射科医师诊断效能的影响。方法：回顾性搜集具有完整临床资料前列腺mpMRI数据30例,其中经前列腺根治术后逐层切片病理证实为前列腺临床显著癌（Gleason评分≥3+4）13例,经穿刺及随访确诊为非癌者17例。18名低年资一线放射科医师使用结构化报告对前列腺mpMRI病例进行独立盲法评估：首先,浏览mpMRI图像,按照日常工作流程依据前列腺影像报告及数据系统（PI-RADS v2）完成结构化报告;之后,参考CAD预测图对以上诊断报告进行修改。以PI-RADS＞3分判为诊断前列腺临床显著癌阳性,评价18名读片者使用CAD前、后的对前列腺临床显著癌的诊断效能。结果：以患者为单位分析18名读片者使用CAD后平均灵敏度及特异度分别从83.8%、76.1%提高至90.6%、82.7%。以病灶为单位分析读片者使用CAD后对癌灶检出平均灵敏度由83.6%提高至90.2%,且位于尖部小癌灶检出提高读片者最多。读片者使用CAD后平均诊断信心显著提高（P=0.001）,CAD作为“第二读片者”平均每个病例读片时间增加0.7min。结论：将CAD作为“第二读片者”整合入前列腺mpMRI结构化报告后低经验一线放射科医师平均诊断效能高于其独立诊断,平均诊断信心显著提高。     

计算机辅助检测系统在低剂量CT早期肺癌筛查中的应用研究

目的:评价计算机辅助检测(computed aided detection,CAD)系统在低剂量CT肺癌筛查中的应用价值。方法:120例受检者的胸部低剂量CT图像纳入本研究。采用CAD肺结节自动分析软件(方法 A)、横断面薄层图像结合MIP图像(方法 B)、方法 C(方法 A+B)。方法 B和C由低年资和中年资影像诊断科医师各1名独立完成。以2名高年资影像诊断医师应用方法 C检出的肺结节的一致意见为真结节参照标准。记录检出肺结节的大小、位置和密度,所得数据应用SPSS 16.0软件进行统计学分析。结果:2位高年资医师确定了178个真结节。方法 A检出真结节121个,敏感性为67.98%;低年资和中年资医师应用方法 B检出的真结节数及敏感性分别为97个(54.49%)、142个(79.78%);2位医师应用方法 C检出真结节数及敏感性分别为138个(77.53%)、170个(95.50%)。低年资和中年资医师应用方法 C检出肺结节的敏感性均高于方法B,且差异有统计学意义(P0.001)。低年资和中年资医师应用方法C检出的结节数与参照标准均具有较高的一致性(Kappa=0.718、0.930,P0.001),2位医师之间具有较高的一致性(Kappa=0.784,P0.001)。结论:CAD系统明显提高了影像诊断医师对肺结节的检出能力,具有较高的应用价值。由于CAD系统相对较高的假阴性,在实际工作中尚不能独立应用。     

磁共振动态增强联合扩散加权成像对乳腺良恶性病变的诊断价值

【摘要】目的：探讨磁共振动态增强（DCE-MRI）及扩散加权成像（DWI）对乳腺良恶性病变的定性诊断价值。方法：回顾性分析经手术病理证实的122例乳腺病变患者的临床和影像学资料，所有病例术前行双乳MRI检查。分析病灶的形状、边界、强化方式、早期强化率（EER）、时间-信号强度曲线（TIC）及表观扩散系数（ADC）值，参照Fischer评分标准对影像表现进行评分，根据乳腺影像报告与数据系统第5版（BI-RADS）进行分类诊断。与病理结果对照，计算DCE-MRI、DWI、DCE联合DWI对乳腺病变的诊断敏感度、特异度和符合率，并采用ROC曲线分析其诊断效能。结果：122例中恶性80例，良性42例。DCE-MRI诊断敏感度为87.5%，特异度87.5%，符合率86.9%。以恶性病变ADC值的95%可信区间上限1.225×10-3mm2/s作为鉴别诊断阈值，敏感度为85.7%，特异度78.9%，符合率83.6%。DCE联合DWI的诊断敏感度达93.8%，特异度90.5%，符合率92.6%。DCE联合DWI鉴别乳腺良恶性病变的AUC（0.915）高于单独诊断（0.866，0.855）。结论：DCE-MRI鉴别乳腺良恶性病变的诊断效能较高，DWI可提供辅助诊断信息，DCE与DWI联合诊断能明显提高对乳腺病变的术前定性诊断准确性。     

自动管电流技术联合人工智能在COVID-19肺部低剂量CT中的应用价值

【摘要】目的：探讨新型冠状病毒肺炎(COVID-19)肺部CT应用低剂量自动管电流调制技术（CareDose）联合人工智能（AI）辅助诊断系统有效降低辐射剂量的可行性。方法：选取216例COVID-19住院患者,按3种扫描剂量模式随机分配,即常规剂量Caredose模式（管电流80～150mAs,管电压120kV）、低剂量CareDose模式（管电流21～60mAs,管电压100kV）和人工固定低管电流模式（管电流20mAs,管电压100kV）,每组72例,AI独立阅片后由两位放射专家评判识别符合率。结果：低剂量CareDose模式组的图像主观评分和诊断符合率接近常规剂量CareDose组,明显优于人工固定低管电流组;低剂量CareDose模式组和人工固定低管电流模式组的CT剂量指数（CTDIvol）、剂量长度乘积（DLP）和有效辐射剂量（ED）均显著低于常规CareDose模式组（ED分别降低66.75%、82.39%）。结论：低剂量自动管电流调制技术联合AI辅助诊断系统应用于COVID-19肺部CT,在不影响诊断筛查的前提下能显著降低辐射剂量。     

MRI计算机辅助诊断系统对不同经验医师鉴别乳腺小肿块良恶性的价值

目的：探讨应用乳腺磁共振计算机辅助系统（MRI-CAD）对于不同经验的医师鉴别乳腺小肿块良恶性的价值。方法：回顾性分析行 MRI 检查的肿块型乳腺病灶235个（≤2．0 cm）,均经病理证实或随诊2年以上。比较4名医师（2名经验缺乏者和2名经验丰富者）使用 CAD 系统前后的诊断敏感度、特异度。采用 ROC 曲线评价并比较4名医师使用 CAD 系统前后的诊断符合率。采用 Kappa 检验评价使用 CAD 系统前后医师间的一致性。结果：235个病灶中,155个良性病灶,80个恶性病灶。4位医师均检出了所有病灶。应用 CAD 系统前,4名医师诊断乳腺癌的特异度分别为55．5％、58．1％、72．3％、74．8％,使用 CAD 后分别为72．3％、76．1％、75．5％、70．3％;医师一、医师二（两名低年资医师）的诊断特异度前后差异具有统计学意义（P ＜0．001）,医师三及医师四差异无统计学意义（P 3＝0．404,P 4＝0．265）。四位医师在使用 CAD 系统后诊断敏感度均略有提高,但差异均无统计学意义（P 1＝1．000,P 2＝1．000,P 3＝1．000,P 4＝0．480）。医师一、医师二及医师三在应用 CAD 系统后,总体诊断符合率均有明显提高,ROC 曲线下面积分别由0．899（95％CI：0．853～0．934）、0．839（95％CI：0．785～0．883）、0．929（95％CI：0．888～0．958）提高至0．947（95％CI：0．910～0．972）、0．987（95％CI：0．962～0．997）、0．971（95％CI：0．940～0．988）,且差异具有统计学意义（P 1＝0．002,P 2＜0．001,P 3＜0．001）。医师四尽管在使用 CAD 系统后总体诊断符合率亦有提高,ROC 曲线下面积由0．940（95％CI：0．901～0．966）提高至0．960（95％CI：0．927～0．981）,但差异无统计学意义（P ＝0．11）。四位医师在应用 CAD 系统后诊断一致性提高（P ＝0．004）。结论：MRI-CAD 系统的应用有助于提高医师诊断乳腺小肿块的准确度及特异度,使得不同经验程度医师的诊断一致性提高,减少了不必要的活检,可作为提高缺乏经验医师诊断符合率的有力工具。     

人工智能技术对低年资医师在磁共振颅脑病变筛查中的辅助价值

目的：探讨低年资医师结合人工智能(AI)辅助诊断系统在磁共振影像筛查颅脑病变中的价值。方法：回顾性分析复旦大学附属华山医院颅脑磁共振影像数据296例,其中正常数据94例,异常数据202例(肿瘤数据99例,非肿瘤数据103例)。由两位经验丰富的影像科医师和一名具有15年以上磁共振影像诊断经验的医师阅片并结合病理结果制定金标准。再选取两位低年资医师,分别对296例数据进行独立阅片,经过4周洗脱期后在AI辅助下重新阅片并记录阅片结果,统计并比较前后两次阅片中正常检出正确率,异常检出正确率,以及对肿瘤患者和非肿瘤患者的检出率。结果：对正常数据,两次阅片的正确率分别为79.79%和80.85%,差异不具有统计学意义(χ²=0.033 6,P=0.854 4)。对异常数据,两次阅片的正确率分别为64.36%和80.20%,差异具有统计学意义(χ²=12.649 7,P=0.000 3)。对肿瘤数据,两次阅片的检出率分别为66.67%和81.82%,差异具有统计学意义(χ²=5.942 3,P=0.014 7)。对非肿瘤数据,两次阅片...     

分类决策树辅助CT诊断孤立性肺结节的方法学研究

目的 应用分类与回归决策树(CART)算法构建CT显像鉴别良恶性孤立性肺结节(SPN)预测模型,探讨数据挖掘技术在SPN影像诊断中的应用价值.方法 分别提取12个临床指标和22个CT征象指标作为CART预测SPN良恶性的输入指标.连续性纳入自2003年7月至2006年7月间经病理证实的SPN,且术前行CT检查的患者116例,其中良性结节62例,恶性结节54例.采用CART建立用于预测良恶性SPN的分类决策树模型,并通过交互印证的方法计算该模型的诊断准确性.同时设低年资医师诊断组和高年资医师诊断组,采用盲法进行独立阅片判断SPN的良恶性.采用受试者操作特征(ROC)曲线比较3组间的诊断效能.结果 (1)成功建立了能够判断SPN良恶性的CART诊断模型,其中含有8条诊断规则,最低相对错误代价为0.199,CART对SPN具有决策意义的最重要的前3位决策指标为结节的毛刺征、患者年龄和病灶部位.(2)CART、高年资医师和低年资医师对SPN良恶性诊断的ROC曲线下面积分别为0.910±0.029、0.827±0.038、0.612±0.052.CART与低年资医师ROC曲线下面积差(DBF)=0.297,P＜0.01;与高年资医师DBF=0.083,P＜0.05;高年资医师与低年资医师DBF=0.214,P＜0.01.CART诊断效能高于高年资医师和低年资医师,高年资医师高于低年资医师.结论 CART是具有强大学习能力的数据挖掘工具,可以对SPN的良恶性进行正确判断,为实现人工智能在影像诊断中的应甩提供重要的方法学依据.     

不同分辨率影像诊断显示器的选择对孤立性肺结节识读影响的初步研究

目的:通过对胸部DR影像上孤立性肺结节检出准确率的比较来评价PACS影像诊断工作站所应用的不同分辨率医用显示器的诊断效能.方法:选取经CT证实具有非钙化孤立性肺结节100例,多发肺结节24例和疑似病例15例.2位高年资医生和3位低年资医生通过2种显示器(Bareo MGD521 MKII (2560×2048, 75Hz) 2lin (lin=2.54cm)医用单色RCT和EIZO RadiForce G20 (1200×1600, 60Hz) 21in医用单色LCD上分别使用或不使用放大后处理功能集中进行4次独立阅片,分别对胸片上是否有肺结节及结节个数进行判断,评价的标准采用5分法:肯定有、可能有、不确定、可能没有、肯定没有.数据结果采用SPSS 13.0软件受试者工作特征(ROC)曲线法进行统计分析.结果:[1]采用放大后处理功能后,各位医师的诊断准确率都能得到一定程度的改善,尤其在低年资医师更明显,而高年资医师在Barco RCT上的变化很小;在各种情况下阅片,高年资医师的诊断准确率都明显高于低年资医师(P<0.05);[2]3位低年资医师使用EIZO LCD并加用放大功能,其平均Az值(Az=0.674)高于在Barco RCT上不加用放大功能时的平均Az值(Az=0.651),之间存在小的但具有统计学显著性意义的差别(P=0.044<0.05);而2位高年资医师的使用效果则相反.对所有医师而言,使用EIZO LCD加用放大功能(Az=0.702)与Barco RCT不加用放大功能(Az = 0.703)的诊断效能无明显差别(P=0.4750.05).结论:[1]使用放大功能可以提高影像分辨率,进而提高诊断效能.相比于高年资医师而言,影像分辨率的增加更能改善低年资医师的诊断水平,并在一定程度上能减低诊断医师个体差别所造成的影响;[2]出于成本效益的考虑,科室可以安排低年资医师使用较低分辨率医用显示器完成初步诊断,但是要求常规使用放大后处理功能;高年资医师应使用标准分辨率的医用显示器以保证最终诊断结果的可靠性.     

基于深度学习成人胸部X线摄影自动分类的临床应用价值

目的 探讨深度学习胸部X线摄影片辅助诊断系统对成人X线摄影胸片征象的诊断效能及自动分类中的应用价值。方法 选取我院就诊并且行胸部X线摄影平片检查的763例患者。采用Dr.Wise胸部X线摄影片辅助诊断系统检测疾病征象并自动分类胸片优先级，包括正常、可疑异常和危急分类。将诊断报告结果作为标准，测试人工智能辅助诊断系统检测正常胸片、一般异常、危急征象的诊断效能，包括敏感度、特异度、准确率。将诊断报告结果与辅助诊断系统结果相比较，并采用Kappa检验计算两者的诊断一致性。计算使用AI辅助诊断系统后，危急征象胸片的诊断时间。结果 763例患者中按照诊断标准，三个分类分别为：正常280例，一般异常374例，危急征象109例。统计正常胸片的诊断效能：敏感度94.6%,特异度95.7%,准确率95.3%;一般异常胸片的诊断效能：敏感度为84.8%,特异度为83.0%,准确率为84.0%;危急胸片的诊断效能：敏感度为91.7%,特异度为96.8%,准确率96.1%。辅助诊断系统与影像诊断对于正常、危急的诊断一致性较高，kappa值约0.749、0.735(P<0.01)。原报告平均时间约为(55...     

基于CT的深度学习模型在甲状腺结节良恶性鉴别中的应用

目的:构建和验证一个用于CT自动识别甲状腺结节的深度学习模型,旨在提高CT医师对甲状腺结节的诊断水平。方法:从医院数据库中选取经手术病理证实的甲状腺结节患者672例,选取330例(其中恶性280例,良性病变50例)用于深度学习模型的训练,余342例用于模型验证,同时再由3名不同年资的CT医师进行诊断,并统计相关结果。结果:深度学习模型用于甲状腺结节的诊断准确率91.8%、敏感度84.5%、特异度87.8%,每例诊断时间为(0.30±0.02)s,均优于3名医师(均P0.05)。结论:深度学习模型用于甲状腺结节的诊断具有较高的准确率、特异度和敏感度,可辅助CT医师实时诊断甲状腺结节。     

人工智能在冠状动脉CT血管成像后处理和诊断报告的初步评估

目的 探讨人工智能（AI）在冠状动脉CT血管造影（CCTA）的图像后处理和诊断报告中的应用价值。 方法 选取重庆医科大学附属第三医院于2019年4月至7月就诊的64例疑似冠心病患者,其中男性40例、女性24例,年龄（62.16±14.13）岁。所有患者均行CCTA扫描,按照李克特量表评分标准对原始图像质量进行评分,分别进行人工和AI图像后处理,比较二者的用时及合格率、诊断报告的用时及对冠状动脉斑块的诊断效能。 结果 CCTA扫描后,冠状动脉AI图像后处理的时间约3 min,合格率为92.2%（59/64）;人工后处理的时间为20~30 min。与人工处理相比,冠状动脉AI后处理的图像中冠状动脉管壁更光滑、小分支显示更全面、血管对比更清晰,并且能自动识别冠状动脉狭窄。冠状动脉AI图像的诊断报告在图像重建后即可完成（<1 min）,而人工的诊断报告需15 min左右才能完成。冠状动脉AI与人工对冠状动脉斑块检出的灵敏度几乎一致,分别为93.3%和92.0%;人工诊断报告对斑块检出的特异度达100%,而AI的特异度为93.8%。 结论 冠状动脉AI在图像后处理速度、图像质量及报告诊断的效率方面具有一定优势,有望成为CCTA分析的有效辅助工具。