深度学习以区分骨解性骨肉瘤和膝关节周围的巨细胞瘤在X射线上:一项多中心研究
Jingjing Shao1, Hongxin Lin2, Lei Ding1
1Department of Radiology, The First Affiliated Hospital, Sun Yat-Sen University, Guangzhou, Guangdong, China.
Insights into imaging
|February 6, 2024
概括
一种深度学习 (DL) 模型在放射图上准确地区分了骨解性骨肉瘤 (OS) 和巨细胞瘤 (GCT). 这种人工智能工具提高了诊断准确度,特别是对于初级放射科医生来说,显示了区分这些骨瘤的潜力.
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X光照上区分骨解性骨肉瘤 (OS) 和巨细胞瘤 (GCT) 对于适当的患者管理至关重要.
- 精确的放射分化可能是具有挑战性的,特别是对于经验较少的临床医生来说.
研究的目的:
- 开发和评估一种深度学习 (DL) 模型,使用放射图像来区分骨解性OS与GCT.
- 将DL模型的诊断性能与具有不同经验水平的放射科医生进行比较.
主要方法:
- 使用EfficientNet-B6架构开发了一个DL模型,并通过四个中心的333名患者的放射数据进行训练.
- 放射科医生 (初级,中级,高级) 使用DL模型或不使用DL模型评估病例.
- 用曲线下的面积 (AUC) 和准确度评估模型性能,并通过麦克纳马测试进行统计比较.
主要成果:
- 与临床模型相比,DL模型在内部 (0.97) 和外部 (0.97) 测试组中表现优越,AUC值更高.
- DL模型的准确度 (93.1%) 比初级放射科医生 (72.4%) 高,与经验丰富的放射科医生相比.
- 来自DL模型的协助显著提高了初级放射科医生的诊断准确度,从72.4%提高到91.4%.
结论:
- 开发的DL模型在放射图上区分骨解性OS和GCT方面表现出强大的性能.
- DL模型的诊断能力超过了初级放射科医生的诊断能力,可以作为一种有价值的辅助工具.
- 这种人工智能驱动的方法具有显著的潜力,可以改善这些具有挑战性的骨瘤的差异诊断.
