Deep-Learning-basiertes Multi-View-Fusionsmodell zum Screening von 2019 neuartiger Coronavirus-Pneumonie: Eine multizentrische Studie

ZWECK: Entwicklung einer auf Deep Learning basierenden Methode, um Radiologen bei der schnellen und genauen Identifizierung von COVID-19-Patienten durch CT-Bilder zu unterstützen. METHODEN: Wir sammelten retrospektiv Brust-CT-Bilder von 495 Patienten aus drei Krankenhäusern in China. 495 Datensätze wurden zufällig in 395 Fälle (80%, 294 mit COVID-19, 101 mit anderer Pneumonie) der Trainingsgruppe, 50 Fälle (10%, 37 mit COVID-19, 13 mit anderer Pneumonie) der Validierungsgruppe und 50 Fälle (10%, 37 mit COVID-19, 13 mit anderer Pneumonie) der Testgruppe unterteilt. Wir trainierten ein Multi-View-Fusionsmodell mithilfe eines Deep-Learning-Netzwerks, um Patienten mit COVID-19 anhand von CT-Bildern mit den maximalen Lungenregionen in axialen, koronarer und sagittaler Ansicht zu screenen. Die Leistung des vorgeschlagenen Modells wurde sowohl mit den Validierungs- als auch den Testgruppen bewertet. ERGEBNISSE: Das Multi-View-Deep-Learning-Fusionsmodell erreichte im Validierungsset eine Fläche unter der Empfänger-Betriebskennlinienkurve (AUC) von 0,732, eine Genauigkeit von 0,700, eine Sensitivität von 0,730 und eine Spezifität von 0,615. Im Testset erreichten wir AUC, Genauigkeit, Sensitivität und Spezifität von 0,819, 0,760, 0,811 und 0,615. SCHLUSSFOLGERUNGEN: Basierend auf der Deep-Learning-Methode zeigt das vorgeschlagene Diagnosemodell, das auf Multi-View-Bildern von Brust-CT-Bildern trainiert wurde, großes Potenzial zur Verbesserung der Diagnosetreffsicherheit und zur Minderung der hohen Arbeitslast von Radiologen bei der ersten Screening-Untersuchung von COVID-19-Pneumonie.