卷积神经网络的多中心应用,用于在垂体腺瘤中术前检测洞穴性鼻侵袭
Yi Fang1,2, He Wang1, Demao Cao3
1Department of Neurosurgery, the Peking Union Medical College Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, No. 1 Shuai Fu Yuan, Dongcheng District, Beijing, 100730, China.
Neuroradiology
|January 18, 2024
概括
一个新的深度学习模型使用MRI扫描准确地诊断脑下垂体腺瘤的洞穴性鼻入侵 (CSI). 这种人工智能方法对改善患者管理和治疗策略充满希望.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 洞穴鼻腔入侵 (CSI) 对于治疗垂体腺瘤至关重要.
- 正确诊断CSI影响治疗决策.
研究的目的:
- 开发和验证一个卷积神经网络 (CNN) 模型,用于在多个中心诊断垂体腺瘤中的CSI.
- 将CNN模型的表现与已建立的临床预测指标进行比较.
主要方法:
- 来自五个医疗中心的729例垂体腺瘤病例 (2011-2021) 的回顾性分析.
- 从两个中心 (n=647) 在T1增强型MRI上训练CNN模型,并在三个中心 (n=82) 进行外部验证.
- 使用接收器操作特征曲线下的面积 (AUC-ROC) 和梯度加权类激活映射 (Grad-CAM) 的性能评估.
主要成果:
- 在外部测试组中,CNN模型实现了0.89的高诊断精度和0.92的AUC-ROC.
- 该模型的表现优于传统的CSI预测器,包括直径,长度和Knosp分级系统 (AUC-ROC:0.70-0.82).
- 格拉德-CAM证实了该模型的重点是用于CSI识别的sellar区域.
结论:
- 开发的深度学习模型准确地识别了垂体腺瘤中的CSI.
- 该模型展示了CSI在多个机构的令人满意的本地化能力.
