深度学习辅助的LI-RADS分类和区分基于多相CT的肝细胞癌 (HCC) 与非肝细胞癌 (HCC):一项两中心研究

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 多相CT对于诊断肝病变至关重要.
• 使用LI-RADS精确分类肝病变对于患者管理至关重要.
• 从其他肝病变区分肝细胞癌 (HCC) 仍然是一个挑战.

研究的目的:

• 开发一种深度学习 (DL) 方法,用于LI-RADS对高风险肝损伤的分级.
• 使用多相CT,将HCC与非HCC区分开来.
• 为了评估基于Swin变压器的DL模型的性能.

主要方法:

• 对1049名患有1082例病理确诊肝病变的患者进行了回顾性研究.
• 在内部和外部CT队列上开发和验证Swin-Transformer模型.
• 将DL模型的性能与放射科医生的评估进行比较.

主要成果:

• 没有预先对比的三相CT协议在LI-RADS分级 (κ=0.6094) 和HCC与非HCC区分 (AUC=0.865) 中表现良好.
• 综合DL模型在区分HCC与非HCC时获得了更高的AUC (0.887和0.808).
• 在外部验证中,DL模型的性能与放射科医生的精度相当.

结论:

• 深度学习简化了LI-RADS分级,并有助于区分HCC和非HCC.
• 使用三相CT没有预先对比的Swin-Transformer模型是有效的.
• 整合CT成像和临床数据的DL模型对准确的HCC诊断有希望.