一个新的深度学习算法用于检测脊髓转移在计算机断层扫描图像上的脊髓转移

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 对临床医生来说,检测胸脊椎骨质解脱性骨转移对于临床医生来说是一个挑战.
• 延迟检测增加了病理性骨折和脊髓损伤的风险.
• 改进的检测可以防止晚期癌症患者的生活质量恶化.

研究的目的:

• 开发基于深度学习 (DL) 的计算机辅助检测 (CADe) 模型.
• 为了自动检测骨解性骨转移病变在胸脊柱区域.
• 通过观察员研究来评估AI模型的临床实用性.

主要方法:

• 从2016年到2022年使用CT扫描的回顾性诊断研究.
• 数据集包括263个阳性和172个阴性CT扫描用于培训/验证.
• 使用了20个阳性和20个阴性扫描的单独测试组.
• 性能指标:灵敏度,精度,F1分数,特异性.
• 观察员研究涉及6名骨科外科医生和6名放射科医生.

主要成果:

• 人工智能模型实现了0.78的灵敏度,0.68的精度和0.72的F1得分 (每片).
• 每次损伤,该模型的灵敏度为0.75,精度为0.36,F1得分为0.48.
• 观察员研究表明,对专家的敏感性相似,居民的表现有所改善.

结论:

• 开发了一种基于DL的AI模型,用于检测胸腔椎骨质溶解性骨转移.
• 虽然精度需要进一步提高,但人工智能模型显示出临床应用的潜力.
• 人工智能工具可能有助于早期检测和管理骨转移.