Diagnostic accuracy of an AI-based model for quantifying COVID-19 lung involvement on chest CT: A cross-sectional study
Notice bibliographique
Résumé
Rationale: Rapid and accurate assessment of pulmonary involvement in COVID-19 is essential for clinical management. This study aimed to evaluate the accuracy of AI-based software in quantifying lung involvement in COVID-19. Methods: This observational, cross-sectional study analyzed chest CT scans from patients suspected of SARS-CoV-2 pneumonia between 2020 and 2023 in Salvador, Brazil. Scans were assessed using AI software Chest-CT Siemens® and compared with radiologist reports. Pulmonary involvement was categorized as mild (<25%), moderate (25-50%), and severe (>50%). The agreement between methods was evaluated using the Kappa coefficient. Results: A total of 1,143 CT scans were assessed for eligibility, and 14 patients were excluded for the absence of a clinical history of COVID-19. Participants' mean age was 49 (±15) years, with an equal distribution between sexes. Hypertension (41%), diabetes (15%), and asthma (14%) were the most prevalent comorbidities. Absent COVID-19 lung involvement was reported by the IA model and radiologists in 25 (7.8%) and 158 (23.6%) of the patients, respectively. Pneumonia was identified in 58% of cases, while incidental findings were observed in 74% of CT scans. The AI software demonstrated low overall concordance with radiologists (Kappa=0.159), particularly underestimating lung involvement with ground-glass opacities. The model exhibited moderate diagnostic performance for mild lung involvement (PPV=79%) but showed poor predictive accuracy for moderate (PPV=8%) and severe (PPV=23%) involvement. Conclusion: AI-based CT analysis shows potential as an adjunctive tool but lacks sufficient accuracy for standalone diagnosis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».