质瘤的生成AI:确保在训练图像表型中的多样性,以提高IDH突变预测的诊断性能
Hye Hyeon Moon1, Jiheon Jeong2,3, Ji Eun Park1
1Department of Radiology and Research Institute of Radiology, University of Ulsan College of Medicine, Asan Medical Center, Seoul, Korea.
Neuro-oncology
|January 22, 2024
概括
基于生成人工智能 (AI) 的增强 (GAA) 创建了现实的脑瘤图像,提高了与人类专家相比,在质瘤中分类异酸脱酶 (IDH) 类型的准确性.
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:
- 在质瘤中,准确分类异酸脱酶 (IDH) 类型对于治疗规划至关重要.
- 目前的诊断方法依赖于专家对医学成像的解释,这可能是主观的.
- 深度学习模型看起来很有前途,但需要大量,多样化的数据集才能达到最佳性能.
研究的目的:
- 评估基于生成人工智能 (AI) 的增强 (GAA) 以创建多样化和现实的成像表型.
- 为了确定GAA是否可以改善基于深度学习的IDH类型在质瘤中的分类.
- 为了比较人工智能增强模型与神经放射学家的诊断性能.
主要方法:
- 使用基于分数的扩散方法和ResNet50分类器开发了一个生成性AI模型.
- 在565名患者的MRI扫描 (对比度增强的T1和FLAIR) 上训练模型.
- 在使用AUC的内部和外部测试集中,与两个神经放射学家对比人工智能增强分类器的性能.
主要成果:
- 生成的图像表现出现实主义和多样性,表明IDH类型.
- 人工智能增强分类器取得的AUC (0.938) 显著高于神经放射学家.
- 即使在大型瘤或显著对比度增强的情况下,GAA表现仍然很强.
结论:
- 基于人工智能的增强可以产生现实的和多样化的成像质瘤的表型.
- 人工智能增强的深度学习模型在预测质瘤IDH类型方面明显优于神经放射学家.
- 在神经瘤学中,GAA代表了一个有前途的工具,可以提高诊断准确度.
