【Ai医学 顶刊速递】第八期

各位哥哥姐姐弟弟妹妹大家好！我们的AI与医学期刊分享来啦~这是第八篇顶刊分享

【Ai医学 顶刊速递】

【标题】 中国CT血管造影图像颅内动脉瘤检测深度学习模型：一项逐步、多中心、早期临床验证研究
DOI:10.1016/S2589-7500(23)00268-6

【背景】: 在现实世界中实施的人工智能 （AI） 模型很少。我们的研究旨在开发一种基于 CT 血管造影 （CTA） 的 AI 模型用于颅内动脉瘤检测，评估它如何帮助临床医生提高诊断性能，并验证其在实际临床实施中的应用。

【方法】： 利用中国8家医院14517例患者的16546张头颈部CTA检查图像，建立了深度学习模型。通过经过调整的逐步实施和评估，招募了来自 15 家不同地理医院的 120 名经过认证的临床医生。最初，AI 模型使用 900 个数字减影血管造影验证的 CTA 病例（检查）的图像进行了外部验证，并与 24 名临床医生的表现进行了比较，每名临床医生查看了其中 300 个病例（第 1 阶段）。接下来，作为进一步的外部验证，一项多读者多病例研究招募了 48 名临床医生，单独审查了 298 例经数字减影血管造影验证的 CTA 病例（第 2 阶段）。临床医生对每次 CTA 检查进行了两次审查（即，有和没有 AI 模型），中间有 4 周的清除期。然后，一项随机开放标签比较研究招募了 48 名临床医生，以评估该 AI 模型的接受度和性能（第 3 阶段）。最后，该模型在 1562 个真实世界的临床 CTA 病例中进行了前瞻性部署和验证。

【发现】： 内部数据集中的AI模型实现了0·957（95%CI 0.939-0.971）的患者水平诊断敏感性，患者水平诊断敏感性高于外部数据集中的临床医生（0.943 [0.921-0.961] vs 0.658 [0.644-0.672];p<0.0001）。在多读者多病例研究中，人工智能辅助策略在每位患者的基础上提高了临床医生的诊断性能（受试者工作特征曲线下面积 [AUC];0.795 [0.761-0.830] 没有 AI 与 0.878 [0.850-0.906] 有 AI;p<0.0001）和每个动脉瘤基础（加权替代自由反应受试者工作特征曲线下的面积;0.765 [0.732-0.799] 与 0.865 [0.839-0.891];p<0.0001）。在人工智能模型的帮助下，阅读时间减少（87·5 秒 vs 82·7 秒，p<0.0001）。在随机开放标签比较研究中，与对照组相比，人工智能辅助组的临床医生对人工智能模型的接受度很高（采用率为 92.6%），并且与对照组相比 AUC 更高（0.858 [95% CI 0.850-0.866] vs 0.789 [0.780-0.799];p<0.0001）。在前瞻性研究中，由于CTA图像质量差和识别失败，AI模型的错误率为0.51%（8/1570）。该模型阴性预测值为0.998（0.994-1.000），显著提高了临床医生的诊断性能;AUC从0.787（95%CI 0.766-0.808）提高到0.909（0.894-0.923;p<0.0001），患者水平敏感性从0.590（0.511-0.666）提高到0.825（0·759-0.880;p<0.0001）。

【解释】： 该人工智能模型在颅内动脉瘤检测方面表现出强大的临床潜力，提高了临床医生的诊断性能，接受度高，并在真实临床病例中实际实施。