一个基于深度学习的半自动化工作流程,用于对经过治疗的鼻癌患者的随访MRI扫描进行分类
Ying-Ying Huang1,2, Yi-Shu Deng1,3,4, Yang Liu1,5
1State Key Laboratory of Oncology in South China, Collaborative Innovation Center for Cancer Medicine, Guangdong Key Laboratory of Nasopharyngeal Carcinoma Diagnosis and Therapy, Guangzhou 510060, China.
iScience
|December 21, 2023
概括
一个新的深度学习工作流程,RAINMAN,提高了诊断性能,并减少了放射科医生在鼻癌后续扫描中的工作量. 这种人工智能工具有效地分类扫描,提高临床实践的效率.
科学领域:
- 人工智能在医学中的应用
- 放射学和医学成像学 医学成像学
背景情况:
- 优化自动化分析和专家知识的整合对于推进医疗保健范式至关重要.
- 鼻癌 (NPC) 的随访需要对众多成像扫描进行高效和准确的解释.
研究的目的:
- 引入和评估一种基于深度学习的半自动化工作流程 (RAINMAN),用于鼻癌后续扫描.
- 评估RAINMAN对诊断性能和放射科医生工作量的影响,与手动解释相比.
主要方法:
- 开发基于深度学习的半自动化工作流程 (RAINMAN).
- 在三个中心对2,172名经过治疗的鼻癌患者的12,809次随访扫描进行了回顾性分析.
- 将RAINMAN的性能与原始手册解读的性能进行比较,并与三名放射科医生参与的一项读者研究进行比较.
主要成果:
- 与手动解释相比,RAINMAN证明了诊断性能的提高和工作负载的显著减少.
- 内部和外部验证显示了灵敏度和特异性的改善.
- 该工作流实现了83.6%的分类性能,在读者研究中表现优于个体放射科医生.
结论:
- 雷曼工作流提供了一个独特的优势,通过有效地消除负面扫描来减少放射科医生的工作量.
- 它有效地保持了诊断性能,展示了它在鼻癌随访临床应用中的优越性.
- 这种由人工智能驱动的方法代表了优化瘤学中医学图像分析的重要一步.
