王倩,宋亮亮,韩啸,刘明,张标,赵士博,谷宗运,黄莉莉,李传富,李小虎,余永强.人工智能知识图谱和图像分类用于胸部后前位X线片质量控制[J].中国医学影像技术,2024,40(6):922~927
人工智能知识图谱和图像分类用于胸部后前位X线片质量控制
Artificial intelligence knowledge graph and image classification for quality control of chest posterior-anterior position X-ray radiograph
投稿时间:2023-12-22  修订日期:2024-01-26
DOI:10.13929/j.issn.1003-3289.2024.06.026
中文关键词:  胸部  人工智能  质量控制  X线
英文关键词:thorax  artificial intelligence  quality control  X-rays
基金项目:安徽高校协同创新项目(GXXT-2022-031)。
作者单位E-mail
王倩 安徽医科大学第一附属医院放射科, 安徽 合肥 230022  
宋亮亮 安徽医科大学第一附属医院放射科, 安徽 合肥 230022  
韩啸 安徽中医药大学医药信息工程学院, 安徽 合肥 230012  
刘明 安徽大学计算机科学与技术学院, 安徽 合肥 230093
合肥综合性国家科学中心人工智能实验室, 安徽 合肥 230088 
 
张标 安徽医科大学第一附属医院放射科, 安徽 合肥 230022
合肥综合性国家科学中心人工智能实验室, 安徽 合肥 230088 
 
赵士博 安徽中医药大学医药信息工程学院, 安徽 合肥 230012  
谷宗运 安徽中医药大学医药信息工程学院, 安徽 合肥 230012
合肥综合性国家科学中心人工智能实验室, 安徽 合肥 230088 
 
黄莉莉 安徽大学计算机科学与技术学院, 安徽 合肥 230093
合肥综合性国家科学中心人工智能实验室, 安徽 合肥 230088 
 
李传富 安徽中医药大学医药信息工程学院, 安徽 合肥 230012
合肥综合性国家科学中心人工智能实验室, 安徽 合肥 230088
安徽省影像诊断质控中心, 安徽 合肥 234099 
 
李小虎 安徽医科大学第一附属医院放射科, 安徽 合肥 230022
安徽省影像诊断质控中心, 安徽 合肥 234099 
 
余永强 安徽医科大学第一附属医院放射科, 安徽 合肥 230022
安徽省影像诊断质控中心, 安徽 合肥 234099 
cjr.yuyongqiang@vip.163.com 
摘要点击次数: 139
全文下载次数: 120
中文摘要:
      目的 观察人工智能(AI)知识图谱和图像分类对胸部后前位X线片(简称胸片)质量控制(QC)的价值。方法 回顾性分析安徽省影像云平台中595家医疗机构共9 236幅胸片,构建包含21个分类标签的QC知识图谱。先由10名技师据此对胸片进行2轮单人QC和1轮多人QC,分别将结果记为A、B、C;再以AI算法进行分类评估,将结果记为D。最后由1名QC专家对C、D进行审核并确定最终QC结果,以之为参考评估上述4种QC效果。结果 AI算法用于胸片QC的曲线下面积(AUC)均≥0.780,平均AUC为0.939。A、B、C、D胸片QC的平均精确率分别为81.15%、85.47%、91.65%、92.21%。结论 AI知识图谱和图像分类技术可有效用于胸部后前位X线片QC。
英文摘要:
      Objective To observe the value of artificial intelligence (AI) knowledge graph and image classification for quality control (QC) of chest posterior-anterior position X-ray radiograph (abbreviated as chest film). Methods Totally 9 236 chest films from 595 medical institutions in Anhui province imaging cloud platform were retrospectively enrolled. QC knowledge graph containing 21 classification labels were constructed. Firstly, QC of chest films based on the above knowledge graph were performed by 10 technicians for 2 rounds of single person and 1 round of multi person, and the results were recorded as A, B and C, respectively. Then AI algorithms were used to classify and evaluate based on knowledge graph, and the result was recorded as D. Finally, a QC expert reviewed results C and D to determine the final QC results and taken those as references to analyze the efficiency of the above 4 QC. Results The area under the curve (AUC) of AI algorithm for QC of chest films were all ≥0.780, with an average value of 0.939. The average precision of QC for chest films of A, B, C and D was 81.15%, 85.47%, 91.65% and 92.21%, respectively. Conclusion AI knowledge graph and image classification technology could be effectively used for QC of chest posterior-anterior position X-ray radiograph.
查看全文  查看/发表评论  下载PDF阅读器