深度学习胸片模型预测社区获得性肺炎的死亡率

根据 ARRS 自己的美国伦琴学杂志( AJR )上发表的一篇已接受的手稿，基于深度学习的模型使用初始胸部 X 光片预测了社区获得性肺炎患者的 30 天死亡率( CAP)，改进了已建立的风险预测工具(即 CURB-65 分数)的性能。

“深度学习 (DL) 模型可以通过识别需要住院和强化治疗的高风险患者来指导 CAP 患者管理的临床决策，”第一作者、医学博士 Eui Jin Hwang 总结道。韩国首尔国立大学医学院放射科。

在这份AJR接受的手稿中，从 2013 年 3 月到 2019 年 12 月，通过一个机构针对 7,105 名患者开发了 DL 模型(3:1:1 分配到训练、验证和内部测试集)，以预测 CAP 诊断后 30 天内的全因死亡风险患者的初始胸片。黄等人。然后，从 2020 年 1 月至 2020 年 12 月期间，在与开发队列相同的机构[时间测试队列 (n = 947)] 以及来自另外两个不同机构的[外部测试队列 A] 的急诊科就诊期间诊断为 CAP 的患者中，评估了他们的 DL 模型(n = 467)，2020 年 1 月至 2020 年 12 月;外部测试队列 B(n = 381)，2019 年 3 月至 2021 年 10 月]。比较 DL 模型和基于意识模糊、血尿素氮水平、呼吸频率、血压和年龄 ≥ 65 岁的风险评分之间的 AUC。

最终，使用初始胸部 X 线照片的 DL 模型预测了来自不同机构的测试队列中 AUC 范围为 0.77 至 0.80 的 CAP 患者的 30 天全因死亡率。此外，在相同的灵敏度下，该模型表现出比 CURB-65 评分 (44-58%) 更高的特异性(范围，61-69%)(所有 p < .001)。