基于非增强型CT的多通道深度学习模型的开发和外部验证,用于区分贫脂肪血管脂瘤和细胞癌:两中心的回顾性研究

科学领域:

• 医疗成像医学成像
• 放射学中的人工智能
• 在瘤学瘤学.

背景情况:

• 缺乏脂肪的血管肌脂瘤 (fp-AML) 缺乏可检测的脂肪,导致经常被误诊为细胞癌 (RCC).
• 准确的区分对于适当的临床管理和治疗计划至关重要.

研究的目的:

• 开发和验证一个多道深度学习模型,以区分fp-AML和RCC.
• 为此诊断任务确定最佳的CT模式和输入通道组合.

主要方法:

• 这是一项回顾性研究,涉及两个机构 (FAHSYSU和SYSUCC) 的452名患者.
• 开发数据集 (n=267) 用于模型优化,保留 (n=53) 和外部 (SYSUCC) 数据集用于验证.
• 评估使用各种CT模式和输入通道的模型,重点关注未增强的CT.

主要成果:

• 最佳模型,使用7通道的未增强CT,在开发中实现了0.951 ± 0.026的接收器操作特征曲线 (AUC) 下的高面积.
• 独立验证表明,AUC为0.966 (内部) 和0.898 (外部) 的强性能.
• 该模型在较大的瘤 (≥40毫米) 上显示出更好的性能.

结论:

• 基于未增强的全瘤CT图像的多通道深度学习分类器有效地区分了fp-AML和RCC.
• 这种由人工智能驱动的工具在改善临床实践中的诊断准确性方面显著有前途.