用CT图像进行胰腺癌诊断和分类的注释效率高的深度学习模型:回顾性诊断研究
Thanaporn Viriyasaranon1, Jung Won Chun2, Young Hwan Koh2
1Graduate Program in System Health Science and Engineering, Division of Mechanical and Biomedical Engineering, Ewha Womans University, Seoul 03760, Republic of Korea.
Cancers
|July 14, 2023
概括
一个新的深度学习模型使用伪损伤细分 (PS) 在CT扫描中检测胰腺癌 (PC),即使数据有限,也提高了准确性. 这种方法提高了PC检测的诊断性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 胰腺癌 (PC) 检测通常依赖于深度学习 (DL) 模型的大型注释数据集.
- 开发有效的DL模型用于PC检测有限的数据仍然是一个挑战.
研究的目的:
- 开发一种新的深度学习模型,用于使用计算机断层扫描 (CT) 图像检测胰腺癌,而不需要大型注释训练数据集.
- 评估自主监督学习算法的性能,伪损伤细分 (PS),以增强基于DL的PC分类.
主要方法:
- 一项回顾性诊断研究使用了从4287名被诊断患有PC的患者的CT图像.
- 提出了一个自我监督的学习算法 (伪损伤细分 (PS)) 并集成到卷积神经网络 (CNN) 和基于变压器的DL模型中.
- 模型被训练有或没有PS,在361名患者的单独数据集上进行内部验证和外部验证.
主要成果:
- 内部验证显示,CNN和具有PS的变压器模型都具有高精度和灵敏度 (例如,变压器模型实现了95.7%的精度和99.3%的灵敏度).
- 在一个小数据集 (10%的培训数据) 上实施PS显著提高了准确度20.5%,灵敏度37.0%.
- 外部验证证明了强大的性能,变压器模型实现了87.8%的准确性和86.5%的灵敏度.
结论:
- 伪损伤细分 (PS) 自主监督学习有效地提高了胰腺癌分类DL模型的性能,可靠性和稳定性.
- 提出的DL模型在PC诊断中显示出潜在的实用性,特别是在处理有限或小数据集时.
