可移植性评估？严重肺部疾病候选者中 AI 肺分割模型的评估
计算机视觉与模式识别
2025-09-19 v1
摘要
本研究评估了公开可用的基于深度学习的肺分割模型在符合移植条件的患者中的性能，以确定其在不同疾病严重程度、病理类别和肺侧的表现，并识别限制其在肺移植术前规划中使用的局限性。这项回顾性研究纳入了 2017 年至 2019 年间在杜克大学健康系统接受胸部 CT 扫描的 32 名患者（共 3,645 张二维轴向切片）。根据存在两种或以上不同严重程度的肺部病理，选择了具有标准轴向 CT 扫描的患者。使用三个先前开发的深度学习模型进行肺分割：Unet-R231、TotalSegmentator、MedSAM。使用定量指标（体积相似度、Dice 相似系数、Hausdorff 距离）和定性指标（四分制临床可接受性量表）评估性能。总体而言，对于不同的严重程度和病理类别，Unet-R231 的性能始终优于 TotalSegmentator 和 MedSAM（p<0.05）。所有模型从轻度到中重度病例的性能均显著下降，尤其是在体积相似度方面（p<0.05），而肺侧或病理类型之间没有显著差异。在所评估的模型中，Unet-R231 提供了最准确的自动肺分割，TotalSegmentator 紧随其后，尽管它们在中重度病例中的性能显著下降，这强调了在严重病理背景下进行专门模型微调的必要性。
引用
@article{arxiv.2509.15083,
title = {Transplant-Ready? Evaluating AI Lung Segmentation Models in Candidates with Severe Lung Disease},
author = {Jisoo Lee and Michael R. Harowicz and Yuwen Chen and Hanxue Gu and Isaac S. Alderete and Lin Li and Maciej A. Mazurowski and Matthew G. Hartwig},
journal= {arXiv preprint arXiv:2509.15083},
year = {2025}
}
备注
24 pages