基于深度学习的肺结节筛检和定性诊断分析CSCD

目的探讨基于深度学习的人工智能(AI)在肺结节检测和定性诊断中的临床价值。方法收集行胸部CT平扫的250例患者。分为住院医(A组)、AI(B组)和住院医结合AI(C组)三组,比较三组对肺结节检出的误诊率、漏诊率、敏感度、阳性预测值和平均诊断时间。同时分别比较实性结节和磨玻璃结节(GGN)良恶性的AI量化参数,对有统计学差异的参数行ROC曲线分析。结果以两名高年资主任医师共同阅片结果为参照标准,确认有2230个结节。B组的误诊率明显高于A、C两组,阳性预测值明显小于A、C两组(P<0.05)。A组的漏诊率明显高于B、C两组,敏感度明显低于B、C两组(P<0.05)。B组平均诊断时间明显少于A、C两组(P<0.05)。实性良、恶性结节的长径、最大面积、体积、最小CT值和恶性概率差异均有统计学意义(P<0.05),ROC曲线下面积(AUC)大于0.7的参数为:长径、最大面积、体积、恶性概率。GGN良、恶性结节的长径、最大面积、体积、平均CT值、最大CT值和恶性概率差异均有统计学意义(P<0.05),对各参数行ROC曲线分析,AUC均大于0.7。结论AI协助阅片可明显提高工作效率和肺结节检出敏感度,并减少误诊率和漏诊率,同时AI对肺结节良恶性的预判具有一定参考价值。     

AI对肺磨玻璃结节筛查及定性的临床应用研究

【摘要】目的：探讨人工智能（AI）对肺磨玻璃结节（GGN）筛查及定性的临床应用价值。方法：搜集行胸部CT平扫的200例患者（共1230个GGN）,比较A组（住院医师）、B组（AI）、C组（住院医师结合AI）对诊断GGN的敏感度、误判率、漏诊率、阳性预测值和平均诊断时间。将其中经手术病理证实的137例GGN患者按其病理结果分为良性组（54例）、恶性组（83例）,比较两组间AI量化参数的差异,对有统计学差异的参数行ROC曲线分析,再以病理结果为因变量,各指标为自变量行Logistic回归分析。结果：B组误诊率高于A、C两组,阳性预测值小于A、C两组;A组漏诊率高于B、C两组,敏感度小于B、C两组,差异均有统计学意义(P值均<0.05)。GGN良、恶性结节的长径、最大面积、体积、平均CT值、最大CT值和恶性概率差异均有统计学意义(P值均<0.05),对各参数行ROC曲线分析,曲线下面积（AUC）均大于0.7,Logistic回归分析显示长径和最大面积是GGN恶变的独立危险因素。结论：AI协助医生阅片可明显提高肺GGN检出敏感度,并可降低误诊率和漏诊率,同时对GGN的良恶性预判具有一定参考价值。     

AI在CCTA诊断冠状动脉狭窄中的准确性及应用价值

目的:探讨人工智能(AI)在冠状动脉CT血管成像(CCTA)中诊断冠状动脉狭窄的准确性及应用价值。方法:收集2019年4月至10月110例同时行CCTA及有创冠状动脉造影(ICA)病人的影像资料,110例共1484段血管纳入评价范围。狭窄程度分为无狭窄、轻度狭容(<50%)、中度狭(50%~70%)重度狭窄(>70%).AI软件自动对CCTA图像进行重建及计算分析。以ICA结果为金标准,计算AI在CCTA中诊断冠状动脉狭容的敏感度、特异度、阳性预测值及阴性预测值。对AI与ICA结果进行Kappa值一致性检验。结果:①AI检出冠状动脉狭窄的敏感度、特异度、阳性预测值及阴性预测值分别为92.97%.97.91%,88.53%,96.36%,准确性为93.60%,AI与ICA检出冠状动脉狭窄一致性好(Kappa值0.86).②AI诊断冠状动脉狭窄程度准确性为66.13%,与ICA一致性一般(Kappa值0.58)。诊断轻度狭窄准确性较高,诊断中重度狭窄特异度较高。结论:AI在CCTA中对冠状动脉狭窄节段的检出及诊断轻度狭窄具有较高准确性,诊断中重度狭窄特异度较高,可作为医师辅助诊断手段.     

冠状动脉CT血管成像中人工智能诊断冠心病的准确性

目的 观察冠状动脉CT血管成像(CCTA)中人工智能(AI)诊断冠心病(CHD)的准确性.方法 回顾性分析105例临床拟诊CHD患者间隔2周内CCTA及有创冠状动脉造影(ICA)资料.以ICA结果为金标准,分别以患者、冠状动脉及其节段为单位,计算AI判断冠状动脉狭窄程度≥50％的敏感度、特异度、阳性预测值、阴性预测值和...     

CT直方图分析鉴别肺良恶性纯磨玻璃结节的价值

【摘要】目的：探讨CT直方图分析对肺良恶性纯磨玻璃结节（pGGO）的鉴别诊断价值。方法：回顾性分析经组织病理学证实的52例pGGO的CT平扫图像,其中恶性28例,良性24例。选取横轴面图像中结节最大层面勾画感兴趣区（避开血管、支气管）生成结节的CT像素直方图。比较良恶性组间直方图参数及直方图分布特点的差异,采用Logistic回归法分析pGGO恶变的最佳预测指标及阈值。结果：良、恶性组的直方图参数中跨度分别为（590.3±141.5）和（907.2±298.0）HU,最大CT值分别为（-333.5±140.4）和（-105.1±244.4）HU,峰度对应CT值分别为（-675.1±145.3）和（-468.4±187.0）HU,组间差异均有统计学意义（P<0.05）;良性pGGO的直方图主要表现为“速升缓降”型,恶性pGGO主要表现为“缓升速降”型,差异具有统计学意义（P<0.05）。鉴别良恶性pGGO的峰度值临界值为-553HU,相应的诊断敏感度和特异度分别为64.3%和87.5%。结论：基于像素的CT直方图分析技术可为肺良恶性pGGO的鉴别诊断提供重要参考依据。