顶刊速看:柳叶刀子刊eClinicalMedicine IF=18.9基于深度学习框架的自动肺部CT...

正文

请到「今天看啥」查看全文

2.1 数据信息

（1）本多中心队列研究包括了来自三家医院重症监护病房（ICU）的928名患者。 在 整体患者群体 中，ARDS（急性呼吸窘迫综合症）的发生率为29.5%（274/928）。

（2） 纳入标准 （符合任一即可）

• 被诊断为脓毒症或脓毒性休克；
  

• 经历严重创伤；

• 经历误吸；

• 被诊断为重度急性胰腺炎；

• 需要大量输血，定义为单次输血量超过患者自身血容量的1到1.5倍，或在1小时内输血量超过患者自身血容量的一半，或输血速率超过1.5 ml/(kg⋅min)；

• 被诊断为重度肺炎；

• 吸入有毒气体。

（3）排除标准 ：

• 年龄小于18岁；

• ICU住院时间少于48小时；

• 无CT图像或CT图像质量低下。

（4）数据来源

①回顾性队列

• 医疗中心1：提供了500名患者【 发生率为29 .0%（145/500） 】和149,508张CT切片的数据，其中350名患者的数据用于训练，150名患者的数据用于内部验证。 训练组和内部验证组患者的中位年龄为67岁。

• 医疗中心2：提供了155名患者【 发生率为30.3%（47/155） 】和46,211张CT切片的数据，作为外部验证组I。

• 医疗中心3：提供了92名患者【 发生率为34.8%（32/92） 】和26,785张CT切片的数据，作为外部验证组II。

② 前瞻性队列

从医疗中心1收集了181名患者【 发生率为27.6%（50/181） 】和54,119张CT切片的信息，用于前瞻性验证。

训练组和内部验证组患者的基线特征

2.2 方法细节

（1）ARDS的诊断

研究内容：急性症状发作、胸部影像出现双侧浸润未完全解释为积液、肺叶/肺萎陷或结节、呼吸衰竭未完全归因于心脏衰竭或液体超负荷、PaO2/FiO2比值≤300 mmHg，PEEP至少为5 cm H2O。

（2）成像预处理与CT图像手动分割

• 手动分割 使用了3D Slicer，

• 分割标签 选择了代表重症患者常见肺部CT病变的图像，包括磨玻璃影、实变、肺纤维化和胸腔积液。

• 分割结果 由具有多年临床经验的资深重症医学医生进行标注和审核。

• 使用NVIDIA开发的 医学开放网络（MONAI）框架 ，通过数据增强扩展数据集，提高深度学习模型的训练样本多样性。

• 增强过程 包括尺度强度范围调整、随机裁剪、随机仿射变换、随机翻转、随机旋转和随机强度调整。

（3）自动化肺部CT分割框架

• 采用 UNETR架构 作为自动化肺部CT分割框架的基础。

• 在训练和评估自动化肺部CT分割框架时，使用 滑动窗口推断（SWI） 方法，将模型产生的分割输出重新组合，并与真实标签进行比较。

• 使用 组合损失函数 ，将dice损失与加权交叉熵结合在像素级别。

• 使用 AdamW优化器 ，初始学习率为1e-4，权重衰减为1e-5。

（4）肺部CT分类网络

• 开发一个基于DenseNet架构的 3D图像分类网络 。该网络使用原始未分割的CT图像作为输入，并预测ARDS的风险。

请到「今天看啥」查看全文