【导读】急性呼吸窘迫综合征(ARDS)是一种危及生命的疾病,在重症监护病房(ICU)入院时,发病率和死亡率很高。早期识别患有急性呼吸窘迫综合征的高风险患者,对于及时干预和改善临床结果至关重要。然而,急性呼吸窘迫综合征的复杂病理生理学,使得早期预测具有挑战性。本研究旨在开发一种人工智能(AI)模型,用于自动肺部病变分割和ARDS的早期预测,以促进重症监护病房的及时干预。
急性呼吸窘迫综合征(ARDS)是一种危及生命的疾病,据估计,全球重症监护病房(ICU)入院人数的发病率为10.4%,综合死亡率为43%。及早发现有急性呼吸窘迫综合征高风险的患者,对于及时干预和改善临床结果至关重要。
计算机断层扫描(CT)成像可对肺部病理学进行更详细的评估,并因其在早期ARDS检测中的潜力而受到认可。但是,对CT图像的解释是高度主观的,需要相当多的专业知识,导致放射科医生之间的观察存在差异,可能导致诊断不一致,延迟治疗的开始。
人工智能的出现有望克服这些障碍,并彻底改变急性呼吸窘迫综合征的早期预测和诊断。深度学习算法能够自动分析医学图像,从而提供快速且一致的肺部异常量化。尽管人工智能(AI)方法已显示出早期检测ARDS的潜力,但仍然存在一些挑战。开发强大的AI模型需要庞大、多样化和注释良好的数据集。此外,人工智能模型的性能,在不同的患者群体和临床环境中,可能会有很大差异。
本研究旨在使用UNet Transformer(UNETR)模型开发一个基于深度学习的框架,用于自动肺部病变分割和早期ARDS预测。通过将肺部病变的定量评估与临床信息相结合,团队的方法旨在提高ARDS预测的准确性。该模型的可靠性和普遍性在3个医疗中心得到了严格的验证,凸显了其改善早期ARDS预测的潜力。
为了评估AI系统在CT切片分割方面的性能,团队计算了DC值,以评估预测输出和地面实况标签之间的重叠。在对预测和标签进行后处理后,将所有验证批次的结果汇总在一起,以确定总体平均DC。自动肺部CT分割模型显示,在25,000次迭代中,训练损失有所减少,表明学习过程和收敛是渐进的。在测试集中,自动分割模型的DC为0.734,表明与人类专家相比,病变边界划定的准确性更高。具体而言,肺野、毛玻璃样混浊、实变、肺纤维化和胸腔积液的DC分别为:0.967±0.098、0.741±0.131、0.756±0.157、0.629±0.018和0.701±0.201。
在本研究中,团队使用7种不同的机器学习算法,建立了ARDS预测模型。这些模型基于两种类型的数据集:一种仅来自通过自动CT分割网络量化的肺部病变参数,另一种来自综合数据,将一般临床信息和患者的实验室测试结果,与量化的肺部病变参数相结合。研究结果表明,在利用肺部病变参数构建的模型中,XGB模型表现出优异的性能,AUC为0.860,95%置信区(CI)为0.783–0.930。对于基于综合数据构建的模型,XGB模型的表现再次优于其他模型,AUC为0.916,95%CI为0.858–0.961。研究结果表明,当将一般临床信息和实验室测试结果纳入机器学习训练数据集时,ARDS模型的整体预测性能有所提高。
基于量化病变特征以及量化病变特征与临床元数据相结合的机器学习模型预测ARDS的ROC曲线。答:基于量化病变特征的机器学习模型用于ARDS预测的ROC曲线;B.基于量化病变特征和临床元数据组合的用于 ARDS 预测的机器学习模型的 ROC 曲线。XGBoost 显示了 ARDS 预测的最佳预测性能。LR, Logistic回归;KNN, K-最近邻;GNB, 高斯朴素贝叶斯;RF, 随机森林;XGB, eXtreme 梯度提升;亚行、AdaBoost;GBDT, 梯度提升决策树。
在本研究中,团队建立了一个分类网络,旨在从未分割的原始肺部CT图像中预测ARDS。在内部验证集中,该网络的AUC为0.796,95%CI为0.712–0.879。根据混淆矩阵,该网络表现出值得称赞的预测能力。然而,其性能明显不如前面提到的ARDS预测模型,后者采用了患者临床信息和实验室测试结果的综合整合。利用DeLong的检验,团队比较了Densenet模型和XGBoost模型的AUC值。此比较的P值为 0.002,表明两个模型的性能之间,存在统计学上的显著差异。
Densenet分类网络的训练过程和验证。 答:内部验证队列中Densenet分类网络的ROC曲线;B.内部验证队列中Densenet分类网络的混淆矩阵。
在本研究中,团队成功开发并验证了一种端到端的深度学习框架,利用UNETR模型高效、准确地分割肺部病变和早期预测ARDS。该模型建立在928名患者的276,623个CT切片之上,表现出高精度,AUC为0.916,并在多个队列中表现出稳健性,强调了整合临床数据的优势。
AI可以通过自动识别肺部病变,来加快CT扫描的分析,从而提供快速、统一的预测和诊断方法。这种技术进步,有可能大大减少解释中的主观性和可变性,从而提高重症监护环境中临床过程的效率。
图像分割技术的应用,已成为医学成像不可或缺的一部分,尤其是在肿瘤学领域。该方法能够精确描绘医学图像中的病变,对于准确诊断、癌症分期、治疗计划和监测治疗反应,至关重要。例如,实施U-Net架构,用于从磁共振成像(MRI)扫描中,分割脑肿瘤。与U-Net架构相比,本研究中使用的UNETR模型,得益于其基于Transformer的设计,该设计有效地捕获了长程依赖性和全局上下文,有可能提高肺部病变描绘和早期ARDS预测中的分割准确性。
在本研究中,团队开发了一种基于未分割原始CT图像的分类网络,来预测ARDS的发作,该分类网络显示出良好的预测性能。然而,与将量化肺部病变特征与临床数据相结合的模型相比,其准确性显著降低。这凸显了开发自动化肺部病变分割模型的重要性,该模型可以有效地整合和学习人类专家知识。通过将专家见解集成到分割中,该模型的性能超过了仅依赖于原始CT图像的标准卷积神经网络。
在未来的研究中,科学界可以探索利用联邦学习等技术整合来自多个中心的数据,以进一步提高ARDS预测模型的性能和泛化性。联邦学习允许跨不同机构协作训练模型,而无需直接共享数据,从而解决了潜在的隐私和数据所有权问题。通过利用各种患者群体和临床环境,可以增强该模型的稳健性和对真实世界场景的适用性。此外,在NVIDIA Jetson Nano等边缘计算设备上部署开发的模型,可以促进将人工智能驱动的决策支持系统,直接集成到ICU环境中。这种方法将实现实时预测和及时干预,使临床医生能够做出明智的决定。
本研究利用UNETR模型推进了ARDS预测,但在临床应用中仍面临挑战,特别是在开发供临床医生实时使用的用户友好型工具方面。与医院系统有效集成并创建直观的界面,以根据肺部成像,显示急性呼吸窘迫综合征风险,是至关重要的后续步骤。这些需要一个全面的数据集成框架,以确保与各种医院IT基础设施的兼容性。
本文为澎湃号作者或机构在澎湃新闻上传并发布,仅代表该作者或机构观点,不代表澎湃新闻的观点或立场,澎湃新闻仅提供信息发布平台。申请澎湃号请用电脑访问。