人工智能在肺叶分割和功能性定量方面的临床应用（结合SPECT/CT技术）：开源模型与定制模型的对比

《Scientific Reports》：Clinical application of AI for lung lobe segmentation and functional quantification with SPECT/CT: open-source versus custom models

　　

摘要

使用SPECT/CT进行肺叶量化对于治疗计划至关重要，但由于工具不足，其在临床应用中仍存在局限性。尽管基于人工智能（AI）的方法显示出潜力，但其临床验证仍有限。本研究比较了使用开源模型和自主研发的分割模型进行SPECT/CT肺叶量化的临床准确性。我们整理了一个包含200张不同CT和SPECT扫描的数据集，并由专家对这些扫描进行了肺叶标注，标注依据为分割难度（简单、中等、困难）。我们基于这些数据训练了一个本地AI模型，并在推理过程中加入了一种新的解剖结构感知softmax修正方法，以提高在肺叶缺失情况下的模型鲁棒性。肺叶功能误差定义为自动化SPECT/CT配准后模型预测值与真实值之间的差异。结果将本地模型及其解剖结构感知版本、三个开源模型以及一个商业工具进行了对比。在40个测试案例（10个简单案例、10个中等难度案例、20个困难案例）中，各模型之间的肺叶功能误差没有系统性偏差。然而，对于开源模型而言，误差标准差随着案例复杂性的增加而显著增大（0.57%至5.79%，p?p?p?>?0.24）。解剖结构感知softmax修正方法消除了错误的肺叶预测，进一步提高了量化准确性。基于AI的工具可以在医生最小程度监督的情况下简化常规肺叶量化工作。通过使用具有代表性的数据并进行解剖结构感知训练，SPECT/CT肺叶量化的鲁棒性得到了提升。虽然公开可用的模型在处理复杂病例时存在困难，但在典型解剖结构和轻度疾病情况下仍能产生临床可接受的结果。