基于MRI的深度学习模型,用于在婴儿期早期区分肝血管瘤和肝母细胞瘤

科学领域:

• 儿科瘤学 儿科瘤学
• 医学成像医学成像
• 医学中的人工智能

背景情况:

• 肝血管瘤 (HH) 和肝母细胞瘤 (HBL) 是常见的儿科肝脏瘤,临床表现重叠.
• 在婴儿期早期区分HH和HBL是具有挑战性的,因为血清AFP值有限,仅放射科医生的准确性是不令人满意的.
• 精确的差异化对于优化治疗策略和改善患者预后至关重要.

研究的目的:

• 开发一种创新的,具有成本效益的诊断工具,用于使用深度学习 (DL) 在婴儿中区分HH和HBL.
• 将临床变量,放射科医生解释和DL特征集成到名ogram模型中,以提高诊断性能.

主要方法:

• 从两个机构招募了140名婴儿 (≤4个月) 确诊的HH或HBL.
• 从MRI图像中提取放射性特征,使用预训练的卷积神经网络 (CNNs) -Xception提取器.
• 构建和评估一个集成的诺莫格拉姆模型,包括临床数据,放射科医生的解释和DL特征.

主要成果:

• 基于DL的模型实现了0.966 (训练) 和0.864 (测试) 的AUC.
• 放射科医生解释的模型显示测试队列中的AUC为0.837.
• 综合性诺莫格拉姆模型在测试队列中表现出卓越的性能,AUC为0.887,准确率为78.57%,灵敏度为76.19%,特异性为80.95%.

结论:

• 使用深度学习的基于MRI的综合模型为婴儿早期的HH和HBL的非侵入性手术前分化提供了有利的疗效.
• 这种先进的诊断工具可以降低与重复检查和过度治疗相关的患者成本.