通过多相CT成像将上腺转移与良性病变区分开来:深度学习可以在协助放射科医生方面发挥积极作用
Changyi Ma1, Bao Feng2, Fan Lin3
1Department of Radiology, Jiangmen Central Hospital, 23 Beijie Haibang Street, Jiangmen 529030, PR China.
European journal of radiology
|November 13, 2023
概括
使用对比前阶段CT图像的深度学习模型可以区分上腺转移与良性病变. 这种人工智能工具有助于放射科医生准确地对以前患有恶性瘤的患者进行瘤分期.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 上腺病变需要精确区分转移和良性疾病.
- 目前的诊断方法可能具有有限的特异性.
研究的目的:
- 开发和验证深度学习 (DL) 模型,以区分上腺转移与良性病变,使用多相CT.
- 为了比较DL模型与放射科医生的诊断性能.
主要方法:
- 从1059名使用多相CT的患者中对1146个上腺病变进行了回顾性分析.
- 开发和外部验证DL模型,包括基于LASSO的DL签名 (DLSL).
- 与放射科医生进行DL模型性能 (AUC,ACC) 的比较,有DL辅助和没有DL辅助.
主要成果:
- 基于对比前阶段 (PCP) 的DLSL在外部验证中获得了最高的性能 (AUC=0.881,ACC=82.9%).
- DLSL显著优于其他分类模型和单相/三相 DLSL.
- 在DL模型的帮助下,放射科医生的表现显著改善 (AUC增加:0.056-0.159).
结论:
- 深度学习模型,特别是那些使用PCPCT图像的模型,在区分上腺转移方面表现出可接受的性能.
- DL模型可以帮助放射科医生提高上腺病变的诊断准确度,帮助瘤分期.
