自动CT LI-RADS v2018使用机器学习评分肝脏观察:一个多供应商,多中心的回顾性研究

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 肝细胞癌 (HCC) 检测检测

背景情况:

• 计算机断层扫描 (CT) /磁共振成像 (MRI) 肝脏成像报告和数据系统 (LI-RADS) v2018主要特征评估显示了显著的读者之间的变化.
• 这种变化可能会降低肝细胞癌 (HCC) 的诊断准确度.
• 开发了一种机器学习 (ML) 算法,以帮助评估CT LI-RADS特征和肝损伤分类.

研究的目的:

• 评估基于ML的算法在评估CTLI-RADS主要特征和分类肝脏观察时的性能和附加值.
• 将ML算法的性能与放射学家的定性评估进行比较.
• 评估ML算法和放射科医生在LR-3/4病变的分拣和附加场景中的顺序使用.

主要方法:

• 从具有病理证明的肝损伤的高风险患者的多相对比增强CT扫描的回顾性分析 (n=318例患者的429例病变).
• 训练了一种ML算法来识别关键LI-RADS特征 (非边缘动脉阶段超增强,冲洗,增强囊).
• 用两名独立读者和三名高级读者的参考标准对ML辅助评估进行比较.

主要成果:

• 在测试组中,CT LI-RADS v2018评估实现了LR-5的67%灵敏度和91%特异性,准确分类70.1%.
• 在选场景中使用ML算法显著改善了LR-5的整体性能,增加了独立读取器的灵敏度和特异性.
• ML算法显示了提高病变分类准确性的潜力,特别是当与放射科医生连续使用时.

结论:

• 使用ML算法对CT LI-RADS v2018主要特征进行定量评估是可行的,并且在诊断LR-5观测时表现良好.
• ML算法与放射科医生的视觉分析相结合,在高危HCC患者中显示出高性能.
• 人工智能丰富的诊断途径可以标准化和改进肝损伤分析,特别是在非专家中心,帮助临床决策.