深度学习的诺姆图,用于在手术前区分Xanthogranulomatous胆囊炎和胆囊癌:一种新的手术决策方法

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 区分Xanthogranulomatous Cholecystitis (XGC) 和胆囊癌 (GBC) 在临床上具有挑战性,因为图像特征重叠.
• 准确的手术前区分对于适当的手术管理和患者的治疗结果至关重要.

研究的目的:

• 开发和验证一个深度学习的诺莫格拉模型,用于使用对比增强计算机断层扫描 (CT) 来区分XGC和GBC.
• 在内部和外部验证队伍中评估拟议的人工智能模型的诊断性能.

主要方法:

• 一个深度学习模型 (FCovResnet18) 在297名患者 (94名XGC,203名GBC) 的CT扫描上受过训练.
• 该模型使用了三相合并图像,并纳入了富里埃转换.
• 评估了一种组合临床数据和AI预测分数的诺莫图.

主要成果:

• 在内部验证队列中,FCovResnet18模型实现了高精度 (0.98),精度 (0.99) 和AUC (1.00).
• 外部验证证明了具有准确性 (0.89),精度 (0.92) 和AUC (0.92) 的强大性能.
• 结合的诺莫格拉姆模型显示,比单独的AI模型有更好的预测值.

结论:

• 在手术前,FCovResnet18名图有效区分XGC与GBC.
• 这种人工智能驱动的方法可以显著帮助外科医生做出明智的外科决定.
• 这项研究强调了深度学习在改善对具有挑战性的胆囊病理的诊断准确性的潜力.