使用基于CT的放射学和深度学习的胃肠道肝转移的瘤分类

科学领域:

• 医疗成像医学成像
• 在瘤学瘤学.
• 人工智能在医学中的应用

背景情况:

• 区分肝转移的主要来源对于有效的治疗计划至关重要.
• 来自不同胃肠道原发性瘤的视觉上相似的肝病变构成了诊断挑战.

研究的目的:

• 评估基于放射学和卷积神经网络 (CNN) 的分类器在确定胃肠道肝转移的主要来源方面的性能.
• 为了比较放射学特征的诊断准确性与深度学习方法对未知初级来源的肝转移进行比较.

主要方法:

• 对31名胰腺癌和47名结直肠癌患者的CT扫描进行了回顾性分析.
• 1296个肝病变的自动细分使用预训练的nnU-Net.
• 使用pyradiomics提取放射学特征,并评估机器学习分类器.
• 与DenseNet-121深度学习模型进行比较,通过AUC/ROC分析评估性能.

主要成果:

• 基于放射学的K-近邻分类器在独立测试集中取得了最高的性能,曲线下面面积 (AUC) 为0.87,准确度为0.67.
• 基于图像的DenseNet-121分类器达到AUC为0.80,准确度为0.83.

结论:

• 基于计算机断层扫描 (CT) 的放射学和深度学习模型显示出区分肝转移病因与胃肠道原发性瘤的潜力.
• 与深度学习相比,基于放射学的模型在区分肝转移与结直肠癌和胰腺腺癌的区分方面表现出不同的概括性.