基于CT的对比增强深度转移学习和联合临床放射学模型的开发和验证,以区分胸膜瘤和胸膜囊:一个多中心研究
Yuhua Yang1, Jia Cheng2, Zhiwei Peng1
1Department of Radiology, the Second Affiliated Hospital of Nanchang University, Nanchang, China (Y.Y., Z.P., L.Y., Z.L., A.H., M.J., C.C., Y.L., Q.Z., M.Z.).
Academic radiology
|November 10, 2023
概括
深度转移学习 (DTL) 和放射学模型有效地将胸膜瘤与胸膜囊区分开来,显示出高诊断性能. 这些计算工具可以帮助临床决策,特别是当侵入性手术具有风险时.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 胸部瘤学 胸部瘤学
背景情况:
- 胸腺瘤和胸腺囊是初级的中瘤,需要准确的分化才能进行适当的管理.
- 使用传统的成像技术,区分胸腺瘤和胸腺囊可能具有挑战性.
- 先进的计算方法为改善诊断准确性提供了潜力.
研究的目的:
- 评估深度转移学习 (DTL) 和临床放射学的可行性和有效性,以区分胸膜瘤和胸膜囊.
- 为了比较DTL,放射学和组合模型的诊断性能与临床放射学特征.
- 评估这些模型在协助临床决策方面的有用性.
主要方法:
- 来自两个中心的196名病理确诊的胸腺瘤或胸腺囊患者的回顾性分析.
- 使用胸部CT图像开发和验证八种DTL模型.
- 提取和选择放射学特征,并使用机器学习分类器构建放射学,临床放射学和组合模型.
- 使用接收机操作特征 (ROC) 曲线,校准曲线和决策曲线分析 (DCA) 评估模型性能.
主要成果:
- 在外部验证队列中,DTL模型 (Densenet 169) 实现了0.962的AUC.
- 放射学模型 (AdaBoost) 在外部验证队列中显示AUC为0.959.
- 组合模型在外部验证队列中实现了0.945的AUC,超过了临床放射学模型.
- 放射学在量化内异质性方面显示出比DTL更好的能力.
结论:
- DTL和组合模型在区分胸膜囊和胸膜瘤方面表现出卓越的诊断性能.
- 这些计算模型可以作为有价值的工具来支持临床决策,特别是在活检具有高风险的情况下.
- 进一步的研究可以探索将这些人工智能驱动的方法集成到胸部病变的常规临床实践中.
