通过使用渐变回声和旋回回声两种增强对比度的MRI来减少基于深度学习的脑转移检测的错误阳性:在多中心诊断队列中验证

科学领域:

• 医疗成像中的人工智能
• 深度学习用于诊断放射学.
• 神经瘤学成像分析分析

背景情况:

• 准确检测大脑转移 (BM) 对于治疗计划至关重要,特别是在立体射线手术中.
• 目前用于BM检测的深度学习 (DL) 模型通常依赖于单个MRI序列,可能会限制其诊断性能.
• 整合多个增强对比度的MRI序列可能会提高基于DL的BM检测的准确性.

研究的目的:

• 开发和评估一种用于大脑转移 (BM) 检测的新型深度学习 (DL) 模型,该模型包括梯度回声 (GRE) 和轮回旋回声 (TSE) 与对比度增强的MRI (双增强DL).
• 为了比较双增强DL模型与仅GREDL模型 (GREDL) 和临床队列中的人类读者之间的性能.
• 与现有方法相比,评估双增强DL对检测灵敏度,正预测值 (PPV) 和BM高估的影响.

主要方法:

• 一种双增强的DL模型在200名BM患者身上进行了训练,并在内部 (62名患者) 和外部 (48名患者) 队列中得到验证.
• 双增强DL模型和GREDL模型对BM检测灵敏度和PPV进行了评估.
• 在DL模型和两个独立的神经放射学家之间,BM计数的相对差异 (RDs) 与参考标准进行了比较.

主要成果:

• 在GRE DL (93%) 和双增强DL (92%) 之间,灵敏度是可比的.
• 与GRE DL (76%,p <.001) 相比,双增强的DL模型显示出明显更高的积极预测值 (89%).
• GRE DL显著高估了转移 (RD:0.05),而双重增强的DL (RD:0.00) 与神经放射学家没有显著差异 (RD:0.00).

结论:

• 双增强DL模型,整合GRE和TSE对比增强MRI,显著提高了大脑转移检测的积极预测值.
• 这种先进的DL方法有效地减少了转移的过高估计,实现了与专家神经放射学家可比的性能.
• 双增强DL提供了一个有前途的工具,以提高BM检测的准确性,帮助治疗指导的立体射线手术.