在腹部CT上开发和多中心验证基于深 convolutional神经网络的结直肠癌检测

科学领域:

• 医疗成像中的人工智能
• 深度学习用于癌症检测
• 放射学和诊断成像 放射学和诊断成像

背景情况:

• 结肠直肠癌 (CRC) 仍然是一个重大的健康问题,需要先进的诊断工具.
• 腹部CT扫描为CRC检测提供了一个潜在的成像模式,但解释可能具有挑战性.
• 计算机辅助检测 (CAD) 系统可以提高放射学诊断的准确性和效率.

研究的目的:

• 开发和验证基于深度卷积神经网络 (CNN) 的CAD系统,用于使用腹部CT检测结直肠癌.
• 为了评估定制的3D U-Net的性能,称为CUNET,与其他深度CNN模型相比.
• 评估CUNET在不同临床情况和不同机构中检测CRC的有效性.

主要方法:

• 一项回顾性研究利用379名患者的腹部CT扫描进行培训和103名患者进行测试.
• 在nnU-Net框架 (CUNET) 中为CRC检测定制3D U-Net架构.
• 使用内部数据集 (包括无症状CRC) 和来自多个机构的外部数据集进行严格的验证,性能指标包括每个CRC的灵敏度和FROC曲线.

主要成果:

• 与内部测试组的残余U-Net (61.2%) 和EfficientDet (64.1%) 相比,CUNET获得了更高的每CRC最大灵敏度 (91.3%).
• 在内部 (89.3%) 和外部 (89.6%) 验证集中,每CRC的高灵敏度保持在3.0的错误阳性率.
• CUNET成功识别了69.2%的CRC被放射科医生遗漏,并在所有验证组中表现出强的表现 (89.7%的CRC检测).

结论:

• 定制的3D U-Net (CUNET) 在腹部CT扫描中显示出机会性结直肠癌检测的巨大潜力.
• CUNET通过检测意外的CRC来协助放射科医生,特别是在无症状病例和最初审查期间遗漏的病例中.
• 该模型在各种临床场景和机构中的有效性突出显示了其通用性和临床实用性.