EUVIMEDEUVIMED entdecken
Crossref

Eine multizentrische Vergleichsstudie zur AI-gestützten Diagnose von COVID-19 in Thorax-CTs unter Verwendung verschiedener AI-Modelle

A Jaiswal, R Shahzad, F Meng, H Zhang, D Maintz, T Persigehl, J Kottlors, P Fervers

RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren · 01.04.2023 · 195 (S 01 S 01) · S72-S73

DOI: 10.1055/s-0043-1763145 ↗

Kurz gefasst

Fachartikel in der Zeitschrift RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren, erschienen am 01.04.2023. Verfasst von A Jaiswal und 7 weiteren Autor:innen.

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Zielsetzung Vergleich der diagnostischen Performance verschiedener AI-Algorithmen in klinischen Thorax-CTs mit COVID-19 und anderen ambulant erworbenen, viralen und bakteriellen Pneumonien (AEP). Material und Methoden Retrospektive, multizentrische Studie basierend auf insgesamt 1591 Thorax-CT-Scans mit n=762 COVID-19 und n=829 AEP Patienten aus China und Deutschland. Alle COVID-19-Fälle wurden durch RT-PCR bestätigt und zeigten pulmonale Infiltrate in der CT. AEP-Fälle zeigten ebenfalls pulmonale Infiltrate und wurden durch eine mikrobiologische Diagnose oder einen typischen Bildbefund und negativen RT-PCR-Test bestätigt. CTs mit Lungentumoren, Tuberkulose, traumatischen und postoperativen narbigen Läsionen wurden ausgeschlossen. Für die COVID-19-Erkennung wurden drei verschiedene AI-Modelle mit unterschiedlichen Architekturen trainiert und validiert: CovNet basierend auf 2D-CNN, DeCoVnet basierend auf 3D-CNN und AD3DMIL basierend auf 3D-CNN mit attention modul. Der Input für diese Klassifizierungsmodelle waren lungenmaskierte CT-Scans zusammen mit dem entsprechenden Label (COVID-19 oder AEP). 991 CT-Scans wurden für das Training der AI-Modelle mittels 5-facher Kreuzvalidierung verwendet. 600 CT-Scans aus 6 verschiedenen Zentren wurden für den unabhängigen Test verwendet. Die Performance der Modelle wurde anhand von Genauigkeit (Gn), Sensitivität (Se), und Spezifität (Sp) bewertet.

Ergebnisse

Die durchschnittliche Validierungsgenauigkeit der Modelle CovNet, DeCoVnet, und AD3DMIL über die 5-fache Kreuzvalidierung betrug 80,9%, 82,0% und 84,3%. Auf dem unabhängigen Testsatz mit 600 CT-Scans erreichte CovNet Gn=76,6%, Se=67,8%, Sp=85,7%; DeCoVnet Gn=75,1%, Se=61,2%, Sp=89,7%; und AD3DMIL Gn=73,9%, Se=57,7%, Sp=90,8%.

Schlussfolgerungen

Verschiedene AI-Klassifizierungsmodelle weisen ein klinisches Potential zur Diagnose von COVID-19 in Thorax-CTs auf. Unsere Ergebnisse zeigen eine höhere Spezifität bei moderater Sensitivität. Die AI Performance hängt hierbei stark von den Trainingsdaten und weniger von der Architektur des Modells ab. Publication History Article published online: 13 April 2023 © 2023. Thieme. All rights reserved. Georg Thieme Verlag Rüdigerstraße 14, 70469 Stuttgart, Germany

Zitieren

APA

Jaiswal, A., Shahzad, R., Meng, F., Zhang, H., Maintz, D., Persigehl, T., Kottlors, J., & Fervers, P. (2023). Eine multizentrische Vergleichsstudie zur AI-gestützten Diagnose von COVID-19 in Thorax-CTs unter Verwendung verschiedener AI-Modelle. RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren, 195(S 01 S 01), S72-S73. https://doi.org/10.1055/s-0043-1763145

Vancouver

Jaiswal A, Shahzad R, Meng F, Zhang H, Maintz D, Persigehl T, et al. Eine multizentrische Vergleichsstudie zur AI-gestützten Diagnose von COVID-19 in Thorax-CTs unter Verwendung verschiedener AI-Modelle. RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren. 2023;195(S 01 S 01):S72-S73. doi:10.1055/s-0043-1763145

BibTeX
@article{Jaiswal2023,
  author = {Jaiswal, A and Shahzad, R and Meng, F and Zhang, H and Maintz, D and Persigehl, T and Kottlors, J and Fervers, P},
  title = {Eine multizentrische Vergleichsstudie zur AI-gestützten Diagnose von COVID-19 in Thorax-CTs unter Verwendung verschiedener AI-Modelle},
  journal = {RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren},
  year = {2023},
  volume = {195},
  number = {S 01 S 01},
  pages = {S72--S73},
  doi = {10.1055/s-0043-1763145}
}
Kostenlos starten →