基于计算机断层扫描肺动脉造影的人工智能驱动风险分层的肺栓塞真实世界临床研究

《Journal of Thoracic Imaging》:A Real-World Clinical Study on Computed Tomography Pulmonary Angiography-Based Artificial Intelligence-Driven Risk Stratification in Pulmonary Embolism

【字体: 大 中 小 】 时间:2026年10月15日 来源:Journal of Thoracic Imaging 1.3

编辑推荐:

   **目的:** 评估基于计算机断层扫描肺动脉造影(CTPA)的人工智能系统在实际临床环境中用于肺栓塞(PE)风险分层的疗效。 **材料与方法:** 本研究纳入了2023年1月1日至2023年10月10日期间在我院根据阳性CTPA报告确诊为PE的115例患者。依据2019年欧

  

**目的:** 评估基于计算机断层扫描肺动脉造影(CTPA)的人工智能系统在实际临床环境中用于肺栓塞(PE)风险分层的疗效。

**材料与方法:** 本研究纳入了2023年1月1日至2023年10月10日期间在我院根据阳性CTPA报告确诊为PE的115例患者。依据2019年欧洲心脏病学会(ESC)指南,将病例分为相对高危组或低危组。两名放射科医师独立且盲法测量与风险相关的影像学参数,包括主肺动脉直径(MPAD)、升主动脉直径(AAD)、右心室直径(RVD)、左心室直径(LVD)、右心室与左心室直径比(RVD/LVD比值)、肺动脉阻塞指数(PAOI)和肺栓塞体积(PEV)。将这些结果与人工智能(AI)系统的自动测量结果进行比较,以评估一致性。

**结果:** AI系统与人工测量之间MPAD、AAD、RVD、PAOI、LVD和RVD/LVD比值的一致性(组内相关系数,ICCs)分别为0.94、0.79、0.78、0.80、0.54和0.48。在AI提取的协变量中,RVD/LVD比值>1.2在识别相对高危PE病例方面表现良好,曲线下面积(AUC)为0.771。纳入所有协变量的AI模型在分类高危PE方面达到了0.848的AUC。

**结论:** 基于CTPA的AI系统能够在真实临床环境中快速提取与PE风险分层相关的关键影像学参数,显著减少CTPA判读时间,提高评估效率。

---

肺栓塞(PE)被认定为继心肌梗死和卒中之后血管死亡原因的第三大病因。1 流行病学数据估计PE的年发病率介于每10万人中40至110例。2 30天死亡率约为10%,在高危患者中可高达22%。3?? 风险适应性精准治疗在改善PE患者预后方面已显示出显著效益,并已被纳入欧洲心脏病学会(ESC)和欧洲呼吸学会(ERS)发布的临床指南。1,?,? 尽管如此,在当代诊断和管理路径中,及时准确地对PE患者进行风险分层仍然是一项关键的未解决挑战。

计算机断层扫描肺动脉造影(CTPA)是目前诊断PE的首选影像学方法,因其获取迅速、敏感度高且特异性优秀,成为临床决策的基石。?,? CTPA衍生的定量指标,包括肺动脉阻塞指数(PAOI)、右心室功能障碍(RVD)和主肺动脉直径(MPAD),在PE患者的风险分层中发挥着重要作用。1? 在临床实践中,患者数量的增加给放射科医师带来了日益增长的负担。结合CTPA判读和PAOI定量分析耗时的流程,这往往导致报告延迟、风险分层推迟,在某些情况下甚至出现漏诊或不准确诊断。11 此外,Furlan等人12的一项研究表明,放射科医师在常规评估PAOI方面存在观察者间变异性。因此,基于CTPA的快速智能风险分层在当前PE临床管理中亟需实现。

近年来,机器学习技术的快速发展为解决这些临床挑战带来了新的希望。人工智能(AI)作为一种有前景的工具应运而生,美国食品药品监督管理局(FDA)对基于CTPA的AI算法用于PE表现出日益增长的兴趣,其主要目标是为疑似PE病例优化快速筛查策略。13?1? 目前,基于AI的PE系统能够自动检测和分割CTPA中的栓塞,量化栓塞体积和肺血栓负荷指数,同时评估心脏和大血管参数。13,1?,1?,1? 然而,关于基于CTPA的AI在真实世界环境中对PE进行风险分层的临床研究仍然有限。与在受控实验室条件下构建的理想数据集相比,真实世界研究能够更全面地评估AI系统在不同人群、复杂工作流程和异质性操作环境中的稳健性和泛化能力。1?

因此,本研究聚焦于真实世界临床环境,评估基于CTPA的AI在PE风险分层中的实用性,为临床医生提供更准确、高效的诊断和治疗决策支持,从而优化临床诊疗路径。

---

**材料与方法**

**患者队列**

回顾性纳入2023年1月1日至2023年10月10日期间在我院进行CTPA检查的疑似PE患者。收集每位患者与风险评估相关的临床、生化和影像学信息。随后根据2019年ESC/ERS指南1进行风险分层,该指南整合了血流动力学状态、心脏生物标志物(如心脏肌钙蛋白、NT-proBNP)以及右心室功能障碍的影像学证据。基于这些标准,患者被分为相对高危组(高危和中间高危)或相对低危组(中间低危和低危),详见补充数字内容1附表S1,https://links.lww.com/RTI/A22。

排除标准如下:(1)CTPA检查结果为阴性;(2)因技术或影像学限制导致AI系统无法处理数据的病例,如DICOM元数据缺失、扫描覆盖不全或图像质量严重下降(如严重运动伪影或条纹伪影),致使无法进行可靠的自动分割和定量分析或可靠的栓塞评估;(3)缺乏上述风险分层过程所必需的关键临床变量,导致无法分类的病例。

患者在前defined研究期间连续入组,仅少数病例符合排除标准。对于临床变量缺失的患者,其缺失原因是临床记录不完整,而非栓塞负荷或影像学特征所致;尽管无法确定其真实风险类别,但这些排除不太可能对分析影像学参数与临床风险分层之间关联的研究引入系统性偏倚。同样,因技术或影像学限制而被排除的病例反映的是数据质量不足,而非算法失效。鉴于最终的队列规模和临床风险类别的分布,样本被认为足以满足预定分析的需要,这些有限的排除不太可能影响可重复性或有效性。使用标准化的全自动AI定量测量进一步减少了操作者依赖的变异性,并降低了可能对总体结果产生的影响。

由于这是一项回顾性研究,无需机构伦理委员会批准。纳入和排除过程如图1所示。

**开放多媒体模态 图1** 研究队列选择及放射科医师与人工智能(AI)系统在基于CTPA的肺栓塞评估中对比评价流程的流程图。

**CTPA方案**

所有患者在256排CT机(Revolution CT,GE Healthcare,WI州Waukesha)上完成扫描,患者取仰卧位、双臂上举并抱头。使用碘克沙醇(320 mg/mL)作为对比剂。通过前臂静脉注射总量30至40 mL,注射速度为5 mL/s,随后以相同流速(3 mL/s)注射30 mL生理盐水。扫描位置取头先进位。扫描范围从胸廓入口延伸至肋膈角水平,CTPA扫描在定位扫描完成后进行。扫描参数如下:管电压100 kV,自动管电流,旋转时间1 s/r,螺距0.984:1,图像重建层厚0.625 mm。感兴趣区域设为主肺动脉,采用自动触发(团注追踪)技术。当动脉增强达到阈值(定义为其基线值以上20 HU)后5秒自动触发扫描。

**基于AI的CTPA分割与自动分析**

从影像归档和通信系统(PACS)中选取的CTPA图像数据以DICOM格式导出并上传至uAI研究门户(uRP,上海联影智能有限公司)进行自动分割和定量分析。1? 图像经过预处理,包括重采样和强度归一化。使用内嵌的深度模型分割感兴趣区域(ROIs),如心室、主动脉和栓塞,该模型已在67个器官和病变分割任务中进行验证,与人工标注相比平均Dice相似系数达到95%。2?

图2展示了AI算法进行PE分割的工作流程,包括3个主要阶段。

**开放多媒体模态 图2** 基于CTPA的肺栓塞分割人工智能(AI)算法工作流程。该过程包括初始肺动静脉提取(阶段1)、肺动脉和栓塞分割(阶段2)、栓塞隔离,以及最终分类以去除假阳性,从而获得最终分割结果。

在阶段1,深度学习网络(VB-Net)应用于从原始CTPA图像中提取肺动脉和肺静脉,提供栓塞的初始定位。在阶段2,将原始CTPA图像和肺血管掩膜同时输入第二个VB-Net,生成肺动脉和栓塞的分割掩膜。在最后阶段,使用基于深度学习的分类模型消除PE分割输出中潜在的假阳性。

分割完成后,uAI研究门户提供集成的可视化和定量分析界面。如图3所示,系统自动渲染肺动脉树、高亮显示栓塞,并生成带中心线引导的标准多平面重建图像。定量结果面板包括本研究中使用的所有AI衍生参数——即PAOI、肺栓塞体积(PEV)、MPAD、升主动脉直径(AAD)、右心室和左心室直径(RVD和LVD),以及RVD/LVD比值。

**开放多媒体模态 图3** uAI研究门户上基于AI的可视化和定量分析界面示例(演示病例)。本例为一名60岁男性,表现为急性胸部不适和呼吸困难,根据ESC/ERS指南被分类为中间高危。AI系统自动提取肺动脉树、分割栓塞(棕色),并生成带中心线引导的标准多平面重建图像。结果面板(右侧)显示了与本研究评估一致的AI衍生定量参数,包括肺动脉阻塞指数(PAOI)、肺栓塞体积(PEV)、主肺动脉直径(MPAD)、升主动脉直径(AAD)、右心室和左心室直径(RVD和LVD),以及RVD/LVD比值。

**基于放射科医师的CTPA分析**

入组患者的CTPA图像由两名具有3至5年诊断经验的放射科医师独立阅片。在正式评估前,两名放射科医师接受了PE评估的标准化培训,并在AI辅助下进行阅片。只有在两名阅片者在试阅阶段达成90%以上的一致性后,才正式开始数据评估。在整个图像判读过程中,两名放射科医师完全盲法,不了解患者的临床和人口统计学信息。病例随机分配给两名阅片者进行独立评估,最终评估结果合并后进行后续分析。采集的定量影像学参数包括MPAD、AAD、RVD、LVD、RVD/LVD比值和PAOI。PAOI使用Qanadli等人21提出的方法进行定量评估,最高分为40分。计算公式为∑(n × d),其中n表示所涉及的肺动脉分支的解剖顺序(每肺10条段动脉),d表示阻塞程度(部分阻塞为1分,完全阻塞为2分)。孤立的亚段栓塞评分为1分,对应部分阻塞。MPAD和AAD的测量取自相应血管的最大横截面直径,而LVD和RVD分别定义为左心室和右心室的最大横径。随后从AI系统提取相同的CTPA参数集进行对比,同时还记录了AI自动量化的PEV,用于一致性分析。人工和AI辅助测量的示意图,包括栓塞识别以及MPAD、AAD、LVD和RVD的确定,如图4所示。此外,为评估不同评估方法的时间效率,记录了2名放射科医师独立完成所有影像学参数测量的平均时间,并与AI系统的自动处理时间进行比较。人工测量时间定义为从图像加载到完成最终参数记录的间隔时间。相比之下,AI分析时间指从图像输入到结果输出的总处理时长。所有时间均以分钟为单位记录,并进行比较统计分析。

**开放多媒体模态 图4** 肺栓塞患者CTPA上人工和AI辅助定量影像学测量的示意图。

A、C、E、F,肺栓塞的人工识别及定量影像学参数的测量。主肺动脉直径(MPAD)和升主动脉直径(AAD)在各自血管的最宽轴位横断面处测量,而左心室直径(LVD)和右心室直径(RVD)分别定义为左心室和右心室的最大短轴直径。B、D、G,经严格的多平面重建(MPR)以标准化测量层面后,由AI辅助自动定量测量。AI系统自动分割相关心脏和血管结构,并在解剖对位的层面上提取MPAD、AAD、LVD和RVD,确保几何一致性和可重复性。

**统计分析**
所有统计分析均使用IBM SPSS Statistics 24.0版本完成,图形绘制使用GraphPad Prism 8版本。分类变量以频率和百分比表示,连续变量以均值±标准差(mean±SD)表示。对于正态分布的连续变量,采用独立样本t检验进行组间比较;对于非正态分布变量,采用非参数检验。采用组内相关系数(ICC)评估AI系统与放射科医生在影像学参数测量上的一致性。采用Spearman秩相关分析评估非正态分布变量之间的相关性。所有检验均为双侧检验,P<0.05被认为具有统计学意义。为评估AI提取参数在肺栓塞(PE)风险分层中的判别性能,进行了受试者工作特征(ROC)曲线分析。计算了曲线下面积(AUC)、灵敏度、特异度及相应的95%置信区间(CI)。基于约登指数(Youden Index)确定最佳截断值。准确率(ACC)作为整体性能指标计算,并一致报告95% CI。所有统计检验均为双侧检验,P<0.05表示具有统计学意义。

**结果**

**人口学特征**
在461例疑似肺栓塞患者中,最终共纳入115例(图1)。这些患者的基线人口学和临床特征汇总见表1。根据治疗决策和临床指南,将患者分为2组:相对较高危组(n=31)和相对较低危组(n=84)。

**表1** 纳入研究的患者的基线人口学和临床特征,按肺栓塞(PE)风险水平分层

| | 全部(n=115) |
|---|---|
| 年龄,中位数(IQR) | 63.88(59–72) |
| 性别 | |
| 男,n(%) | 70(61) |
| 女,n(%) | 45(39) |
| 风险分层 | |
| 低风险,n(%) | 40(35) |
| 中低危,n(%) | 44(38) |
| 中高危,n(%) | 26(23) |
| 高危,n(%) | 5(4) |

IQR:四分位数间距。

**AI与放射科医生影像学参数测量的一致性分析**
在AI系统与放射科医生影像学参数测量的一致性分析中,MPAD表现出极好的一致性,组内相关系数(ICC)为0.94(95% CI:0.91–0.96)。AAD(ICC=0.79,95% CI:0.70–0.85)、RVD(ICC=0.78,95% CI:0.68–0.85)和PAOI(ICC=0.80,95% CI:0.73–0.86)表现出中等一致性。相比之下,LVD(ICC=0.54,95% CI:0.33–0.68)和RVD/LVD比值(ICC=0.48,95% CI:0.24–0.64)表现出相对较低的一致性水平。所有参数的详细一致性指标见表2。

**表2** 评估人工智能(AI)与放射科医生测量CTPA衍生参数一致性的组内相关系数(ICC)

| | 放射科医生(n=115) | AI系统(n=115) | 组内相关(95% CI) | P |
|---|---|---|---|---|
| MPAD | 30.59±5.31 | 31.31±5.42 | 0.94(0.91–0.96) | <0.001 |
| AAD | 37.05±4.78 | 36.75±4.95 | 0.79(0.70–0.85) | <0.001 |
| RVD | 38.65±8.09 | 46.85±7.61 | 0.78(0.68–0.85) | <0.001 |
| LVD | 38.16±8.58 | 41.83±7.57 | 0.54(0.33–0.68) | <0.001 |
| RVD/LVD | 1.06±0.38 | 1.18±0.46 | 0.48(0.24–0.64) | <0.001 |
| PAOI评分 | 8.99±6.64 | 8.78±8.56 | 0.80(0.73–0.86) | <0.001 |

连续数据以均值±标准差表示。

**基于AI的肺栓塞体积参数分析**
AI系统评估的PEV与人工评估的PAOI呈显著正相关(r=0.680,P<0.01),并与AI导出的PAOI呈强相关(r=0.825,P<0.01)。

**AI与放射科医生在参数测量和评估时间上的比较**
放射科医生完成每例患者参数测量的平均时间为5.33±1.94分钟,而AI系统仅用0.19±0.11分钟即完成自动分析。该差异具有统计学意义(P<0.001,见表3)。在高危组和低危组之间,MPAD、RVD和RVD/LVD比值的人工测量值和AI导出值均显示出具有统计学意义的差异。对于AAD和LVD,仅AI测量的值显示出显著差异。

**表3** 高危组与低危组肺栓塞患者CTPA参数的AI衍生与放射科医生衍生测量值比较(含评估时间)

| 参数 | 放射科医生(n=115) | | | AI(n=115) | | | |
|---|---|---|---|---|---|---|---|
| | 低危 | 高危 | \|t\|/\|z\| | P | 低危 | 高危 | \|t\|/\|z\| | P |
| MPAD | 29.69±4.47 | 33.08±6.47 | 2.77 | 0.008* | 30.19±4.37 | 34.35±6.66 | 3.32 | <0.001* |
| AAD | 36.62±4.51 | 38.15±5.40 | 1.54 | 0.126 | 36.03±3.94 | 38.55±6.70 | 2.48 | 0.015* |
| RVD | 37.10±7.38 | 42.82±8.52 | 3.61 | <0.001* | 44.96±5.51 | 51.90±9.81 | 4.84 | <0.001* |
| LVD | 38.44±7.32 | 37.36±11.38 | 0.62 | 0.539 | 43.49±6.13 | 37.44±9.21 | 3.45 | 0.001* |
| RVD/LVD | 0.99±0.21 | 1.26±0.58 | 3.43 | 0.001* | 1.05±0.17 | 1.52±0.74 | 4.57 | <0.001* |
| PAOI评分 | 7.33±6.74 | 13.47±11.01 | 2.25 | 0.024* | 7.51±5.52 | 12.22±8.04 | 2.41 | 0.016* |
| PEV | — | 1.65±3.34 | 5.55±8.09 | 2.06 | 0.039* | — | — |
| 诊断时间(min) | 5.33±1.94 | 0.19±0.11 | — | 13.11 | <0.001* | — | — |

数据以均值±标准差表示。*两组差异具有统计学意义,P<0.05。

**AI衍生参数在肺栓塞风险分层中的判别性能**
进行了ROC曲线分析,以评估AI提取的CTPA参数在区分相对较高危与低危肺栓塞(PE)患者中的判别能力。结果如图5和表4所示。在单个解剖参数中,RVD/LVD比值表现出最高的AUC,为0.771(95% CI:0.684–0.844)。整合所有AI衍生参数的模型表现出最佳的判别性能,AUC为0.848(95% CI:0.769–0.908),显著优于任何单一参数。

打开多媒体模式
**图5** 打开多媒体模式
AI衍生CTPA参数用于肺栓塞风险分层的受试者工作特征(ROC)曲线。每条曲线代表一个单独AI提取影像学参数的判别性能,包括MPAD、AAD、RVD、LVD、RVD/LVD、PAOI评分和肺栓塞体积(PEV)。"总体"曲线对应于纳入所有单个参数的二元逻辑回归模型所产生的预测概率。黑色对角线代表参考线(AUC=0.5)。

**表4** AI衍生参数在肺栓塞风险分层中的性能

| 参数 | AUC(95% CI) | 灵敏度(95% CI) | 特异度(95% CI) | 截断值 | 准确率(95% CI) |
|---|---|---|---|---|---|
| MPAD | 0.706(0.614–0.787) | 50.00(30.6–69.4) | 90.80(82.7–95.9) | >35.5 | 80.87%(72.48%–87.61%) |
| AAD | 0.592(0.496–0.682) | 71.43(51.3–86.8) | 48.28(37.4–59.2) | >35.5 | 53.91%(44.37%–63.25%) |
| RVD | 0.716(0.624–0.796) | 53.57(33.9–72.5) | 88.51(79.9–94.3) | >52.5 | 80.00%(71.52%–86.88%) |
| LVD | 0.695(0.602–0.777) | 42.86(24.5–62.8) | 96.55(90.3–99.3) | ≤34.0 | 83.48%(75.41%–89.75%) |
| RVD/LVD | 0.771(0.684–0.844) | 67.86(47.6–84.1) | 82.76(73.2–90.0) | >1.20 | 78.26%(69.60%–85.41%) |
| PAOI评分 | 0.656(0.621–0.805) | 58.37(35.8–75.3) | 78.21(69.5–89.7) | >30.0 | 73.38%(64.98%–83.17%) |
| PEV | 0.566(0.520–0.658) | 50.00(30.6–69.4) | 73.26(62.6–82.2) | >1.65 | 67.83%(58.46%–76.23%) |
| 总体 | 0.848(0.769–0.908) | 82.14(63.1–93.9) | 81.40(71.6–89.0) | >0.217 | 81.58%(78.82%–87.58%) |

截断值使用约登指数(Youden Index)确定。"总体"行代表二元逻辑回归产生的综合风险评分,采用纳入所有所列单个AI衍生参数作为协变量的进入法。由此产生的预测概率用于构建联合ROC曲线。所有百分比均以95% CI表示。

**讨论**
随着人工智能技术的快速发展,基于CTPA的系统已能够实现血栓的自动检测和分割,以及血栓体积(PEV)和PAOI的自动定量测量。这些系统还促进了关键解剖参数的提取,如右心室、左心室和主肺动脉的直径。本研究在真实世界临床环境中系统评估了基于CTPA的AI系统在肺栓塞风险分层中的性能。结果表明,该系统能够快速准确地提取肺动脉相关影像学参数,与人工测量表现出中等至高度一致性,并显示出区分高危和低危肺栓塞病例的潜力。这些发现为AI整合入临床风险评估工作流程提供了实践基础。

在AI系统与人工评估的比较中,MPAD、AAD、RVD和PAOI表现出良好的一致性,其中MPAD一致性最高(ICC=0.94),表明AI系统在解剖结构识别和横断面定位方面具有高稳定性。相比之下,LVD和RVD/LVD比值的一致性相对较低。这种差异可能归因于左心室边界人工勾画的困难,因为左心室更易受到心脏搏动伪影和心脏位置变异的影响。特别是在心脏扩大或心脏异位患者中,人工测量往往难以在轴位图像上准确识别垂直于左心室长轴的最大直径。相比之下,AI系统利用深度学习算法自动识别最大横断面平面并标准化测量过程,从而有效减轻了解剖变异引起的误差,提高了心脏直径测量的准确性。这些发现与既往文献一致,部分文献报告AI在评估右心功能和PAOI时表现出良好的可重复性和跨队列稳定性。17,18,22 因此,在CTPA上定量测量肺动脉和心脏参数时,AI比人工评估具有更大的稳定性和更低的测量变异性。此外,多项研究显示PEV与PAOI之间存在强相关性。12,23 PEV在不同肺栓塞风险类别之间存在显著差异,表明其在风险分层中可能具有实用价值。23–25 这些发现与本研究的Result一致,提示PEV可作为互补的预后标志物。当PEV与PAOI结合使用时,可增强风险分层模型的可推广性和预测准确性。12,23,24,26 值得注意的是,本研究也证实了AI系统在时间效率方面的显著优势,其分析时间远短于人工评估(0.19 vs. 5.33 min),与既往研究结果一致。27,28 尽管AI与人工测量之间存在一致性差异,但AI系统的快速处理能力突出了其在时间紧迫的急诊情境中作为初步风险评估诊断辅助工具的实用价值。

基于AI从CTPA中提取的肺动脉和心脏参数定量测量,并在临床风险分层指导下,本研究进一步评估了各AI参数在肺栓塞风险分层中的判别性能,并提出了具有临床意义的阈值范围以支持诊断决策。结果显示,RVD/LVD比值>1.2在区分高危和低危肺栓塞组方面表现出相对较高的判别能力(AUC=0.771),表明其在检测右心室负荷方面具有很高的灵敏度。作为右心功能障碍的公认替代标志物,RVD/LVD比值不仅在本研究中表现出优异的判别性能,而且在既往文献中也与短期死亡率和90天预后密切相关。29–31 值得注意的是,本研究结果表明RVD/LVD比值的阈值为1.2,高于临床公认的参考范围(0.9–1.0)。这一差异可能归因于基于AI的重建和测量算法与传统人工测量标准之间的差异。鉴于AI衍生的定量参数是从大规模数据模型中生成的,其测量变异性可能更低。因此,AI提取参数的阈值应在未来临床环境中进一步验证和标准化。此外,RVD(AUC=0.716)和MPAD(AUC=0.706)在识别相对较高危肺栓塞方面也表现出中等或以上的判别能力。值得注意的是,MPAD是与肺动脉压力密切相关的参数,既往研究已显示其与不良临床结局相关。32–34 本研究的发现总体与这些早期报告一致。最后,鉴于AI的整合分析能力,本研究对所有AI衍生的定量参数进行了综合分析,在识别相对较高危肺栓塞方面获得了0.848的AUC。这些发现进一步凸显了AI在肺栓塞风险分层中的高度可塑性。凭借快速评估多个参数的能力,AI在真实世界急诊环境中展现出高诊断准确性,并为临床决策提供了可靠依据。

本研究存在若干局限性。目前,AI系统主要专注于影像学参数的提取和定量测量,尚未纳入风险分类、治疗建议或排程优化等功能模块,这限制了其全面整合入肺栓塞的综合管理流程。此外,这是一项单中心回顾性研究,样本量有限。未来研究将涉及多中心前瞻性研究,以进一步验证系统的可推广性和临床实用性。

总之,经过验证的基于CTPA的AI系统在提取和定量测量肺栓塞风险分层相关关键参数方面与人工评估表现出良好的一致性。该系统在识别相对较高危肺栓塞病例、以更高的灵敏度检测边缘指标以及提高操作效率方面显示出显著优势。这些发现支持该系统在肺栓塞快速识别和分层中的潜在临床价值。展望未来,AI应用应从结构识别向闭环临床决策支持发展,将参数提取、风险识别、个体化建议和诊断治疗路径优化整合到统一的智能平台中,从而促进更高效、更精准的肺栓塞管理。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号