基于AI的多组学分析方法鉴别新型冠状病毒感染和社区获得性肺炎的价值
目的:旨在评估基于影像组学特征和常规临床信息(包括临床症状及临床检验数据)的多组学模型在区分新型冠状病毒感染(COVID-19)和社区获得性肺炎(CAP)方面的分类性能.方法:收集奥密克戎(Omicron)变异株引起的COVID-19确诊患者和其他病毒感染引起的CAP确诊患者临床及胸部CT影像资料,基于数据集构建影像组学模型、临床特征模型、多组学模型,通过受试者工作特性曲线(ROC)分析评估每个模型的分类性能.结果:选择8 个影像组学特征和7 个临床特征来构建影像组学模型、临床特征模型、多组学模型.在测试集中,影像组学模型受试者工作特征曲线下面积(AUC)为0.759,临床特征模型AUC为0.853,多组学模型AUC为0.9.结论:基于AI的多组学分析方法构建的多组学模型分类性能高于影像组学模型和临床特征模型,对COVID-19和CAP的鉴别诊断具有可行性.
人工智能、新型冠状病毒感染、社区获得性肺炎、影像组学、检验组学
32
O242;R814;R563.1(计算数学)
内蒙古自治区人民医院院内基金项目;包头医学院研究生教育教学改革项目
2023-06-28(万方平台首次上网日期,不代表论文的发表时间)
共10页
357-366