흉부 CT 스캔에서 폐색전증 감지를 위한 딥 러닝 기반 모델의 외부 검증

폐색전증(PE)은 즉시 진단하고 치료하지 않으면 잠재적으로 치명적인 질병입니다. 흉부 CTPA는 오늘날 진단을 위한 표준으로 남아 있지만 PE는 향상된 CT 스캔에서도 우연히 발견될 수 있습니다. 대부분의 CTPA 검사는 긴급한 상황에서 PE가 의심되는 경우 클리닉에서 수행되는 반면, 소수는 CT 스캔에서 자주 간과되지만 치료하지 않으면 높은 이환율과 나쁜 예후의 영향을 받는 질병인 의심되거나 검증된 만성 폐색전증의 상태에 대해 수행됩니다. . 따라서 폐 혈관 내 색전의 인식을 촉진하고 자동화하는 방법은 임상 실습에서 중요한 지원이 될 가능성이 있으며, PE의 긴급 사례를 더 잘 분류하고 만성 폐 혈전색전증 환자를 식별할 때 민감도를 높일 수 있습니다. 이러한 임상적 요구에 따라 CTPA 스캔에서 폐색전증 감지를 위한 딥 러닝 기반 모델이 개발되었습니다. 이 모델은 2D ResNext50 아키텍처를 기반으로 하며 7169명의 환자로 구성된 다중 중심 오픈 소스 데이터 세트를 사용하여 훈련 및 검증되었습니다. 이 후향적 데이터에서 PE에 대해 양성인 85,000개의 슬라이스와 PE에 대해 부정적인 123,428개의 슬라이스가 훈련을 위해 추출되었습니다. 내부 검증을 위해 각 클래스에 대해 9,922개의 슬라이스가 사용되었습니다. 이 모델은 처음에 3개의 다른 공개 소스에서 가져온 156명의 성인 환자 데이터 세트를 사용하여 환자 수준에서 외부적으로 검증되었으며 모든 색전은 적어도 한 명의 숙련된 방사선 전문의에 의해 분할되었습니다. 모델 예측에 대한 통찰력을 얻기 위해 Grad-CAM 방법을 사용하여 활성화 맵을 추출했습니다. 이 지도를 지상 실측(GT) 세분화와 비교하여 활성화된 GT PE의 백분율과 GT PE에 해당하는 활성화된 영역의 백분율을 계산하여 활성화된 영역이 PE 영역에 해당하는지 여부를 결정했습니다. PE 분류 모델은 0.86[0.800-0.919]의 곡선 아래 면적(AUC)에 도달했습니다. 외부 검증 세트에서 민감도 82.68%[75.16 - 88.27] 및 특이도 79.31%[61.61 - 90.15]. 그러나 이러한 결과는 불균형 외부 검증 코호트(PE 음성 환자 29명에 대해 PE 양성 127명)에서 얻은 것이므로 PE의 실제 임상 발생률을 나타내는 보다 균형 잡힌 환자 코호트에서도 모델 성능을 평가하는 것이 매우 중요합니다. 12~22%). 이러한 이유로 현재 연구의 범위는 양성 및 음성 PE 사례의 보다 균형 잡힌 백분율로 CTPA 및 향상된 CT 스캔을 포함하여 실제 임상 현실을 대표하는 외부 검증 코호트를 수집하는 것입니다. 또한 향상된 CT와 CTPA 스캔 간에 모델의 성능을 비교할 것입니다.