对大脑多发性硬化病变细分的深度神经网络的稳定性和概括性的评估,基于真实世界的数据
Hernán Chaves1, María M Serra2, Diego E Shalom3,4,5
1Diagnostic Imaging Department, Fleni, Montañeses, 2325 (C1428AQK), Ciudad de Buenos Aires, Argentina. hchaves@fleni.org.ar.
European radiology
|August 31, 2023
概括
一个新的深度学习 (DL) 模型显著优于现有方法来细分多发性硬化症 (MS) 脑病变. 这种先进的DL方法证明了对临床应用的强大泛化和效率.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 多发性硬化症 (MS) 脑病变的准确细分对于疾病监测和管理至关重要.
- 现有的MS病变细分的自动化方法往往缺乏足够的准确性和稳定性.
研究的目的:
- 评估一种新的深度学习 (DL) 模型对MS脑病变细分的性能.
- 将DL模型的性能与其他DL和非DL细分算法进行比较.
主要方法:
- 一项多中心研究利用来自拉丁美洲和欧洲的内部和外部数据集进行模型测试.
- 性能和稳定性被评估使用子系数 (DC),类内相关系数 (ICC) 和变化系数 (CV).
- 还分析了人与人之间的注释器协议,以将模型性能置于背景.
主要成果:
- DL模型在内部数据集上实现了0.73的Dice系数 (DC) 中位数,在外部数据集上达到0.66-0.70.
- 在所有测试的数据集中,DL模型在替代算法上表现出卓越的性能.
- 与其他模型相比,DL模型的强度实验显示了较高的DC (0.820.90) 和较低的CV (0.77.9%).
结论:
- 开发的DL模型显著优于MS脑病变细分的替代方法.
- 该模型在未见的数据上表现出强大的概括能力,在临床使用中被证明是强大的和高效的.
- 深度学习模型在增强MS患者管理中的临床工作流程方面显示出显著的前景.
