开发RLK-Unet:一种临床上有利的深度学习算法,用于大脑转移的检测和治疗反应评估

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:

• 以前用于大脑转移 (BM) 检测和细分的深度学习 (DL) 算法面临临临床限制,原因是假阳性,多序列要求和缺乏生理性质反射 (例如,).
• 这些限制阻碍了DL在BM管理中的广泛临床采用.

研究的目的:

• 开发一个临床上有利的DL算法 (RLK-Unet) 用于BM检测和细分.
• 为了利用一个单一的MRI序列,结合了亡信息.
• 在BM中应用RLK-Unet进行自动化治疗响应评估.

主要方法:

• 开发RLK-Unet使用128名患者的数据与1339个BMs,通过对比度增强的3DT1加权 (T1WI) 轮旋转回声黑血MRI获得.
• 评估了58名患有629个骨髓瘤的患者的治疗反应.
• 评估检测灵敏度,精度,子相似系数 (DSC) 和对神经放射学家进行治疗反应评估的评价者间协议.

主要成果:

• RLK-Unet实现了86.9%的BM检测灵敏度和79.6%的精度.
• 该算法在细分方面显示了0.663的DSC,在较大的BM中表现更好 (DSC0.843).
• 在治疗反应评估中,RLK-Unet和放射科医生之间观察到出色的协议 (类内相关性0.84).

结论:

• RLK-Unet提供精确的脑转移的检测和细分.
• 该算法显示有潜力帮助临床医生完成关键任务,即评估BM的治疗反应.