对于淋巴瘤患者的[F]氧糖-PET-CT分类进行深度学习:双中心回顾分析
Ida Häggström1, Doris Leithner2, Jennifer Alvén3
1Department of Electrical Engineering, Chalmers University of Technology, Gothenburg, Sweden; Department of Radiology, Memorial Sloan Kettering Cancer Center, New York, NY, USA.
The Lancet. Digital health
|December 22, 2023
概括
一个深度学习模型,LARS,准确地对淋巴瘤患者的FDG-PET-CT扫描进行分类. 这种人工智能工具可以帮助专家识别带有或没有超代谢瘤部位的扫描,帮助诊断和治疗评估.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 核医学是一种核医学.
背景情况:
- 全球癌症负担的增加需要有效的成像技术,如氧糖 (FDG) -PET-CT.
- 高扫描量挑战成像专家在诊断淋巴瘤.
- 需要自动化工具来帮助分类FDG-PET-CT扫描.
研究的目的:
- 训练一个深度学习算法来对淋巴瘤患者的FDG-PET-CT扫描进行分类.
- 为了区分具有或没有超代谢瘤部位的扫描.
- 开发一个人工智能工具 (LARS),以帮助成像专家.
主要方法:
- 追溯分析了来自5072名淋巴瘤患者的16583张FDG-PET-CT扫描.
- 基于ResNet34的深度学习模型 (LARS) 的开发,使用MIP,3D PET和3D CT数据.
- 对于二进制分类的模型变体 (LARS-avg,LARS-max,LARS-ptct) 的内部和外部验证 (Deauville 1-3对 4-5).
主要成果:
- 内部测试:LARS-avg实现AUC为0.949,准确度为0.890;LARS-max AUC为0.949,灵敏度为0.909;LARS-ptct AUC为0.939,特异性为0.915.
- 外部测试:LARS-avg实现AUC为0.953,准确度为0.907;LARS-max AUC为0.952,灵敏度为0.899;LARS-ptct AUC为0.932,特异性为0.913.
- 所有测试的模型变体都在区分高代谢活性方面表现出很高的性能.
结论:
- 深度学习模型LARS准确地对淋巴瘤患者的FDG-PET-CT扫描进行了分类.
- 人工智能工具显示出排除代谢活性疾病的潜力.
- 对于成像专家来说,LARS可以作为一个有价值的第二读者或决策支持工具.
更多相关视频
06:51Utilizing 18F-FDG PET/CT Imaging and Quantitative Histology to Measure Dynamic Changes in the Glucose Metabolism in Mouse Models of Lung Cancer
Published on: July 21, 2018
18.0K
10:04Analysis of 18FDG PET/CT Imaging as a Tool for Studying Mycobacterium tuberculosis Infection and Treatment in Non-human Primates
Published on: September 5, 2017
18.8K