"本文介绍了一种名为PENet的深度学习模型,该模型专为自动检测肺栓塞(PE)而设计,使用3D卷积神经网络处理容积CT成像数据。PENet在Kinetics-600数据集上预训练后,于单个学术机构的CTPA数据集上进行微调。模型在内部和外部测试集上的表现良好,显示了在不同机构间数据的稳健性。此外,研究还强调了模型在急诊科作为辅助工具的潜力,以快速识别PE,优化诊断流程并提高患者护理。该研究由美国国立卫生研究院等多个机构资助,并获得了机构审查委员会的批准。"
本文是一篇关于使用深度学习技术进行肺栓塞自动诊断的研究论文。肺栓塞是一种严重的临床问题,CTPA是其诊断的主要手段。然而,由于放射科医生的短缺、诊断错误和结果传递延迟,PE的诊断常常被遗漏或延误。为解决这一问题,研究者开发了PENet,这是一个77层的3D卷积神经网络模型。PENet经过预训练和微调,能够在没有人为干预的情况下检测CTPA扫描中的PE。
PENet的训练过程包括在大型视频动作识别数据集Kinetics-600上进行预训练,然后在来自单个学术机构的回顾性CTPA扫描数据集上进行微调。这种分阶段的训练方法有助于模型学习基本的图像特征,并针对特定任务进行优化。在内部保留的测试集(198个CTPA研究)和外部测试集(227个CTPA研究)上,PENet表现出良好的性能,自动检测中央PE的AUROC分别为0.83和0.84,这证明了模型的泛化能力。
研究结果表明,3D卷积神经网络模型如PENet能够成功应用于复杂的PE诊断任务,并保持在不同机构数据上的稳定性能。这意味着PENet可以作为一个有价值的辅助工具,帮助急诊科快速识别临床上重要的中央PE,加速放射学解释,从而改进诊断路径和护理质量。
此外,这项研究得到了美国国立卫生研究院、斯坦福儿童健康研究所以及飞利浦医疗保健等机构的资助,表明了对AI在医疗诊断领域的研究支持。所有患者数据都进行了去标识化处理,研究也获得了IRB的批准,确保了伦理合规性。
PENet的提出是深度学习在医疗影像分析领域的一个重要进展,特别是在肺栓塞自动诊断方面,它有望提高诊断效率,减少误诊,最终改善患者预后。