放射科医生和深度学习对美国肝硬化等级的比较
Pedro Vianna1, Sara-Ivana Calce1, Pamela Boustros1
1From the Department of Imaging and Engineering (P.V., S.I.C., C.L.R., L.P.B., E.M., H.L., S.K., M.C., G.C., A.T.), Laboratory of Biorheology and Medical Ultrasonics (P.V., G.C.), and Clinical Laboratory of Image Processing (E.M., A.T.), Centre de Recherche du Centre Hospitalier de l'Université de Montréal (CRCHUM), Montréal, Canada; Institute of Biomedical Engineering (P.V., G.C.) and Department of Computer Science and Operations Research (S.G., I.R., G.W.), Université de Montréal, Montréal, Canada; Departments of Radiology (S.I.C., P.B., C.L.R., L.P.B., Y.H.L., E.A., J.M., T.M.A., K.N.V., J.M.L., J.S.B., A.T.) and Pathology (B.N.N.), Centre Hospitalier de l'Université de Montréal (CHUM), 1058 rue Saint-Denis, Montréal, QC, Canada H2X 3J4; Department of Computer Engineering, École Polytechnique de Montréal, Montréal, Canada (S.K.); Mila-Quebec Artificial Intelligence Institute, Montréal, Canada (S.G., B.T., I.R., E.B., G.W.); and Department of Computer Science and Software Engineering, Concordia University, Montréal, Canada (B.T., E.B.).
深度学习模型在使用超声波图像对非酒精性脂肪性肝病 (NAFLD) 中的肝硬化症分级方面表现有前途. 这些人工智能工具为放射科医生提供了可比的诊断性能,有可能提高查准确性.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 肝病学 肝病学是一种肝病学.
背景情况:
- 使用超声波 (美国) 查非酒精性脂肪性肝病 (NAFLD) 受到主观图像解释的限制.
- 准确的肝硬化分类对于NAFLD管理至关重要.
研究的目的:
- 为了比较放射科医生和深度学习 (DL) 模型在NAFLD患者肝硬化症分级中的诊断性能和读者间协议.
- 建立活检作为分级肝硬化症的参考标准.
主要方法:
- 从199名患者 (NAFLD和对照) 的腹部US和肝脏活检数据的回顾性分析.
- 六位放射科医生独立分级了两次肥胖症;使用kappa统计数据评估的一致性.
- 在B模式US图像上应用了三种DL技术来分类肥胖症.
- 在测试套件上使用接收器运行特征曲线 (AUC) 下的面积来评估性能.
主要成果:
- 放射科医生在不同类型的肥胖症等级分类 (κ范围:0.30-0.37) 中证明了公平的互读者协议.
- DL模型的AUC在0.67到0.85之间,与放射科医生的AUC相当或超过 (范围:0.49-0.84).
- 特别值得注意的是,DL的表现在区分更高等级的肥胖症方面尤为显著.
结论:
- 深度学习模型的诊断性能与人类放射科医生在通过US检测和分级肝硬化症时相似.
- DL提供了一个潜在的客观工具,以加强NAFLD查和管理.
更多相关视频
相关概念视频
Ultrasound II: Endoscopic Ultrasound and FibroScan
Endoscopic Ultrasound (EUS):
Ultrasonography
During an ultrasonography procedure, a handheld device called...


