在深度学习的多相对比增强CT图像上,超越了放射科医生水平的肝损伤检测

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
• 计算病理学计算病理学

背景情况:

• 在对比度增强CT (CECT) 中精确检测肝损伤对于诊断和治疗至关重要.
• 呼吸和器官运动导致多相CET扫描中的错位,具有挑战性的分析.
• 现有的方法难以应对多相CET数据的复杂性.

研究的目的:

• 开发和评估一个人工智能系统,MULLET,用于精确和自动的多相肝损伤细分.
• 用一种新的方法来解决CECT扫描中错位的挑战.
• 在临床环境中提高肝病变检测的准确性和效率.

主要方法:

• 提出MULLET,一个基于变压器的注意力机制AI系统,用于多相肝损伤细分.
• 采用了变压器架构,有效地嵌入感兴趣的区域 (ROI) 并探索多阶段的环境.
• 通过对来自1,197名患者的1,229次CECT扫描的大数据集验证了该系统.

主要成果:

• 与最先进的方法相比,MULLET实现了显著的性能改进.
• 在子分数中获得了5.80%,在回忆中获得了6.57%,在F2分数中获得了5.87%的百分比增长.
• 该系统在现实世界临床工作流程中成功部署.

结论:

• MULLET可从多相CET图像提供肝病变的精确和全自动细分.
• 人工智能系统有效地处理患者呼吸和器官运动引起的错位问题.
• MULLET 增强了肝损伤诊断的临床工作流程,并可扩展到其他 CECT 分析.