深度学习模型用于在超声波上区分Xanthogranulomatous胆囊炎和胆囊癌

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 在超声波 (US) 上区分胆囊癌 (GBC) 和黄质球状胆囊炎 (XGC) 是诊断上具有挑战性的.
• 准确的区分对于适当的患者管理和治疗规划至关重要.

研究的目的:

• 用美国图像评估深度学习 (DL) 模型在区分XGC与GBC方面的有效性.
• 将最先进的DL模型 (SOTA) 与传统DL模型和人类放射科医生的性能进行比较.

主要方法:

• 一项单中心研究包括患有病理确认的XGC和GBC的患者.
• 使用SOTA DL模型 (GBCNet-CNN,RadFormer-transformer) 分析了手术前的美国图像,并与其他DL模型和放射科医生进行了比较.
• 性能指标包括灵敏度,特异性和曲线下的面积 (AUC).

主要成果:

• 在SOTA DL模型中,GBCNet和RadFormer在区分XGC和GBC方面表现相似.
• GBCNet和RadFormer的AUC显著高于DenseNet-121,ViT和DeiT的AUC. 这两种类型的AUC均高于AUC.
• 与SOTA DL模型相比,放射科医生具有较低的特异性和较高的非诊断性美国图像比例.

结论:

• 最先进的深度学习模型在超声波上区分XGC和GBC方面表现优于放射科医生.
• 基于DL的方法在改善具有挑战性的胆囊病理的诊断准确性方面具有显著的前景.