![Adeep使用最初的胸片上优于模型预测30天死亡率在社区获得性肺炎(CAP)的患者,提高在一个既定的性能(即风险预测工具。,抑制- 65分)。](http://www.alohadebbie.com/sites/default/files/styles/content_large/public/69-year-old%20male%20patient%20with%20CAP.jpg?itok=vvFox66W)
69岁的男性病人帽。左:胸片显示区域的整合涉及的右下肺与肺炎相一致,以及对胸腔积液。DL的风险模型预测30天死亡率的9%。右:梯度加权类激活地图显示,模型预测受到单独的区域的图像对应的心脏和肝脏(黄色和淡蓝色的颜色)。病人的抑制- 65是4分。病人恢复从肺炎和仍然活着的时候现在调查(肺炎诊断后14个月)。
2023年6月16日—根据公认的手稿发表在加勒比海盗的美国放射学杂志》(杂志),深使用最初的胸片上优于模型预测30天死亡率在社区获得性肺炎(CAP)的患者,提高在一个既定的性能(即风险预测工具。,抑制- 65分)。
“深度学习(DL)模型可能指导临床决策的管理限制患者通过识别高危患者住院和强化治疗,”第一作者行金黄,医学博士,博士的放射学在韩国首尔国立大学医学院。
在这个杂志接受的手稿DL模型是在7105名患者通过开发一个机构从2013年3月到2019年12月(3:1:1分配训练、验证和内部测试集)来预测风险的全因死亡率帽后30天内使用病人的初始胸片诊断。黄等人然后评估他们的DL模型在急诊病人诊断为帽在同一机构的开发群体从2020年1月至2020年12月(时间测试组(n = 947)],和另外两个不同的机构(外部测试组(n = 467), 2020年1月至2020年12月;外部测试B组(n = 381), 2019年3月至2021年10月)。auc DL之间的比较模型和基于混淆的风险评分,血尿素氮水平,呼吸速率、血压、年龄≥65岁。
最终,使用初始胸片DL模型预测30天患者的全因死亡率帽AUC从0.77到0.80在测试来自不同机构的军团。此外,该模型显示特异性(61 - 69%),高于抑制- 65分数(44 - 58%)在相同的灵敏度(p <措施)。
更多信息:www.arrs.org