图片由林青龙提供。
爱荷华大学的研究人员 开发 了一种新的深度学习模型，可以在 2D 胸片上检测肺部异常，就 好像它们是使用更详细的 3D 计算机断层扫描技术获得的一样。
参与该模型开发的专家表示，它可能在 CT 扫描不易获得的地区受益，特别是在长期感染 COVID 的患者的情况下。
“该模型的新元素是从 3D CT 扫描中获取显示肺容量的信息，并将该信息传输到一个模型中，该模型将在 2D 图像中显示这些相同的特征，” 学院机械工程系主任Ching-Long Lin爱荷华州的工程学院，在一份新闻稿中说。“临床医生将能够使用胸部 X 光片来检测这些结果。这是更大的视角。”
该模型使用由 3D 图像构建的复合 2D 图像来检测 COVID 患者肺功能的变化。
为了创建该模型，研究人员使用了 1 4 0 名感染 COVID 并在 UI 医院和诊所接受治疗或呼吸问题治疗的患者的 CT 成像。该成像包含在吸气和呼气期间完成的采集，并与一组105名从未感染过 COVID 的患者的检查进行了比较。 使用这种成像，该模型经过训练，可以区分健康患者和 COVID 患者，此外还能够识别COVID-19 后的亚型。
该模型在区分 COVID 组和健康对照组方面的准确率达到了 90% 。除此之外，该模型还确定了长期 COVID 患者的两组不同特征——一组因小气道疾病和一氧化碳弥散能力而增加的空气滞留，另一组肺容量减少和毛玻璃增加不透明度。
当应用于胸部成像时，该模型可以捕获两种 COVID 后亚型的特征，其特征是由于小气道疾病和气道相关的间质纤维化模式导致的空气滞留。
林指出，虽然 CT 扫描并不总是可访问的，但 X 射线通常是可访问的。在可访问性是一个挑战的情况下，Lin 及其同事相信他们的模型可以帮助缩小护理差距。
“我们的模型可以进一步改进，我相信它有可能在所有诊所使用，而无需购买昂贵的成像设备，例如 CT 扫描仪。”
