【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。