在使用3D卷积神经网络的常规MRI成像上区分质母细胞瘤和转移性疾病:模型开发和验证
Girish Bathla1, Durjoy Deb Dhruba2, Yanan Liu3
1Department of Radiology, University of Iowa Hospitals and Clinics, Iowa City, Iowa, USA (G.B., N.S., S.P.); Department of Radiology, Mayo Clinic, Rochester, Minnesota, USA (G.B.).
Academic radiology
|November 17, 2023
概括
这项研究表明,3D卷积神经网络 (CNN) 可以使用MRI准确地区分质母细胞瘤和大脑转移. 人工智能模型显著提高了诊断准确度,特别是对于一般放射科医生来说.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 神经瘤学神经瘤学
背景情况:
- 使用成像,区分质母细胞瘤 (GB) 和大脑转移 (BM) 是一个挑战.
- 准确的区分对于适当的治疗计划和患者的结果至关重要.
- 当前的成像技术往往缺乏足够的特异性.
研究的目的:
- 评估3D卷积神经网络 (CNN) 的诊断性能,用于对 GB 和 BM 的二进制分类.
- 评估AI模型输出对放射科医生的诊断准确度的影响.
主要方法:
- 从307名患者 (157 GB,150 BM) 的T1-CE,T2WI和FLAIRMRI序列使用3D-CNN模型的开发.
- 内部模型开发和外部验证 59 个额外的案例 (27 GB, 32 BM).
- 评估四种面具序列组合和评估放射科医生的性能,有或没有人工智能辅助.
主要成果:
- 使用T1-CE瘤口罩的3D-CNN模型在外部测试组中达到0.93的最高AUC.
- 结合T1-CE瘤口罩和FLAIR周围瘤区域口罩,AUC为0.91.
- 人工智能模型输出显著改善了放射科医生的表现,特别是一般放射科医生 (AUC从0.78增加到0.965).
结论:
- 3D-CNNs在区分质母细胞瘤与大脑转移方面表现强.
- 单独使用T1-CE瘤口罩或与FLAIR瘤周围区域口罩一起,是AI模型的有效输入.
- 人工智能模型的整合大大提高了放射科医生的诊断准确度,特别是一般医生.
