南京大学医学院,中国南部,b国家医疗研究所,南京大学,中国c放射科,第二北大学医院,中央南大学,中国长沙,荷兰,荷兰,州纽约州纽约州新型软件技术,新型软件技术,Nanjing University,Nanjing University,Nanjing University,Nanjing e Department of Radiologicy Center,Radiologicy Center,Hadiologicy Central,Hadiologicy Central,Hadigy Central,Fimsic and Charding and Changsha,Fim Sha,Fim Sha,Fimsed Fimsed,Fim Sha,Changsha,F.北卡罗来纳大学,北卡罗来纳州北卡罗来纳州北卡罗来纳州,美国G北卡罗来纳州北卡罗来纳州大数据与大脑计算高级创新中心,北京大学
可帮助患者对胸管和住院时间设定切合实际的期望,这仍然是微创手术后患者满意度的主要驱动因素。此外,微创方法的使用扩大了肺切除术的纳入标准,越来越多的肺功能不佳和高龄患者接受手术。4-8 传统上接受开胸手术的手术候选人病例组合的变化有必要建立风险模型。尽管与开胸手术相比,电视辅助胸腔镜肺切除术的并发症发生率较低,9 但欧洲胸外科医师协会 10(ESTS)和胸外科医师协会 11 普通胸外科数据库最近进行的 2 项病例匹配分析显示,两组患者的 PAL 发生率相似。本研究的目的是从 ESTS 数据库中注册的大量患者中制定一个总体风险评分,用于预测 VATS 肺叶切除术后发生 PAL 的可能性 ( 视频 1 )。
术前功能评估在肺叶切除术之前仍基于肺功能测试(PFTS),并且段计数被认为是预测术后功能(PF)的标准方法。我们的目的是将这种方法与定量功能成像技术相关联。包括从8月至2023年12月的早期肺癌手术的候选人。排除标准是良性疾病,晚期肺癌和接受肺切除术的受试者。我们的分析评估了FEV1,FVC和DLCO在手术前和六个月后进行的。米兰政治家的生物工程师分析了术前和术后CT扫描。对放射学图像进行处理以获得解剖学分割,对肺的重量和功能体积的分析(-910HU和-500HU)。分析的重点是测量的术后FEV1和FVC值与通过段计数和成像方法计算的预测值的相关性。我们招募了22例接受肺叶切除术并符合纳入标准的患者。与解剖学公式相比,使用CT成像在计算PF中,使用CT成像没有显示出统计学上的显着差异(P = 0.775)。但是,CT结果在预测术后FVC值时出现了出色的结果(P <0,001)。我们的研究证实了定量CT分割预测PF的有效性。使用CT分割预测术后FVC值的优势是术后风险感染和ICU停留的有用预测指标。此外,我们将继续研究,以调查在分割切除术或具有严重功能不足的受试者的情况下两种方法之间存在差异。
图 1 人工智能模型正确分类为胸腔积液的 X 光片示例。A、右侧位(kVp 80,mAs 6.5)和 B、腹背位(kVp 90,mAs 6.5)X 光片投影,显示一只单侧有轻微胸腔积液征兆的狗。侧位投影(箭头)上肺部前腹侧有囊泡图案。游离液体在心脏腹侧积聚,增加了纵隔脂肪的 X 光不透明度(箭头)。这只狗在手术中被确认有左前肺叶扭转和胸腔积液
由 SARS-CoV-2 病原体引起的 COVID-19 感染在世界范围内爆发了灾难性的大流行病,确诊病例数呈指数级增长,不幸的是,死亡人数也呈指数级增长。在这项工作中,我们提出了一种基于深度学习范式的 AI 驱动流程,用于从 CT 扫描中自动检测 COVID-19 并对病变进行分类。我们首先提出了一个新的分割模块,旨在自动识别肺实质和肺叶。接下来,我们将这种分割网络与分类网络相结合,以识别 COVID-19 和对病变进行分类。我们将获得的分类结果与三位专家放射科医生在包含 162 次 CT 扫描的数据集上获得的结果进行了比较。结果显示,COVID-19 检测的敏感性为 90%,特异性为 93.5%,优于专家放射科医生的结果,平均病变分类准确率超过 84%。结果还表明,先前的肺和肺叶分割发挥了重要作用,使我们能够将性能提高 20 个百分点以上。此外,对训练后的 AI 模型的解释表明,支持 COVID-19 识别决策的最重要区域与与病毒临床相关的病变一致,即疯狂铺路、实变和毛玻璃。这意味着人工模型能够通过评估 CT 扫描中这些病变的存在来区分阳性患者和阴性患者(对照组和间质性肺炎患者的 COVID 检测结果均为阴性)。最后,AI 模型被集成到一个用户友好的 GUI 中,以支持放射科医生的 AI 可解释性,该 GUI 可在 http://perceivelab. com/covid-ai 上公开获取。整个人工智能系统是独一无二的,因为据我们所知,它是第一个公开的基于人工智能的软件,它试图向放射科医生解释人工智能方法使用了哪些信息
结果基于对 2010 年至 2020 年期间发表的 253 篇关于机器人辅助手术(右结肠切除术、LAR/TME、前列腺切除术、部分肾切除术、肺叶切除术、子宫内膜癌和宫颈癌子宫切除术)的同行评审文献的荟萃分析。这项工作已在 ISPOR 2021 年年会上发表。临床结果摘要反映了 7 篇系统文献综述的汇总分析,按不同外科手术的结果呈现。虽然荟萃分析结果提供了具有统计学意义或不具有统计学意义的单一结论,但这些结果可能会发生变化。该分析的结果可能取决于多种因素,包括但不限于患者特征、疾病特征、感兴趣的手术和/或外科医生的经验。
• 肺炎检测:禁用处理。通常,建议保持此选项为开启,否则将不会处理任何病例 • 生成结构化报告:如果开启,将生成基于 TID1500 模板的带有数值结果的 DICOM 结构化报告(开启) • 高不透明度分割阈值:HU 中的阈值,高于该阈值的不透明度将被视为高不透明度分割 • 可视化单个肺叶(开启)或仅左/右肺(关闭)的分割轮廓 • 打开/关闭 MPR 系列每个切片中量化结果的可视化 • 打开/关闭高不透明度分割轮廓的可视化 • 分割轮廓的厚度:分割轮廓的像素数 • 窗口(中心/宽度):带有分割轮廓叠加的结果系列的默认窗口参数。 • 显示体积渲染:如果关闭,将不会生成体积渲染系列。