在MRI中对弱监督的深度学习模型进行多中心评估,用于在直肠癌中进行淋巴结诊断
Wei Xia1, Dandan Li1, Wenguang He1
1From the Department of Medical Imaging, Suzhou Institute of Biomedical Engineering and Technology, Chinese Academy of Sciences, Suzhou, China (W.X., J.J., R.Z., X.G.); Department of Radiology, Shanxi Province Cancer Hospital/Shanxi Hospital Affiliated to Cancer Hospital, Chinese Academy of Medical Sciences/Cancer Hospital Affiliated to Shanxi Medical University, Taiyuan 030013, China (D.L., J.Z., R.S., X.Y., X.G., Y.C.); Department of Radiology, the First Affiliated Hospital, Zhejiang University School of Medicine, Hangzhou, China (W.H.); Department of Radiology, University of Wisconsin School of Medicine and Public Health, E3/311 Clinical Science Center, Madison, Wis (P.J.P.); Department of Radiology, Fudan University Shanghai Cancer Center, Shanghai, China (T.T.); Department of Oncology, Shanghai Medical College, Fudan University, Shanghai, China (T.T.); and Guangdong Provincial Key Laboratory of Artificial Intelligence in Medical Image Analysis and Application, Guangzhou, China (Y.C.).
一个新的弱监视模型DevelOpment fraMework (WISDOM) 帮助使用MRI进行直肠癌淋巴结诊断. 这种人工智能工具显著提高了放射科医生的准确性,显示了临床效用.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 精确的淋巴结 (LN) 阶段测定对于直肠癌 (RC) 治疗计划至关重要.
- 术前MRI对于评估RC至关重要,但准确的LN诊断仍然具有挑战性.
- 现有的方法往往缺乏最佳患者管理所需的精度.
研究的目的:
- 开发和验证微弱监督模型DevelOpment fraMework (WISDOM) 用于直肠癌中的淋巴结诊断.
- 用手术前MRI和术后病理数据评估WISDOM模型的性能.
- 评估WISDOM模型在协助放射科医生进行LN分期的增量价值.
主要方法:
- 一项使用MRI (T2加权和扩散加权成像) 和来自1014名直肠癌患者的患者级病理数据的回顾性研究.
- 开发了WISDOM模型,其中包含了弱监督的学习技术.
- 使用接收器运行特征曲线 (AUC) 下面的面积和一致性指数 (C指数) 来评估二进制和三进制N阶段性能.
主要成果:
- 智慧模型实现了总体AUC为0.81和C指数为0.765.
- 该模型的表现明显优于初级放射科医生 (AUC=0.69,C指数=0.689) 的表现,与高级放射科医生 (AUC=0.79,C指数=0.788) 的表现相当.
- 来自WISDOM模型的协助显著改善了初级 (AUC=0.80,C指数=0.798) 和高级放射科医生 (AUC=0.88,C指数=0.869) 的表现.
结论:
- 使用常规MRI数据,WISDOM模型显示出作为用于直肠癌的有效淋巴结诊断工具的巨大潜力.
- 该模型提高放射科医生的表现的能力凸显了其实际临床实用性.
- 智慧提供了一种有前途的方法,以提高直肠癌患者淋巴结分期的准确性.
相关概念视频
Magnetic Resonance Imaging
Imaging Studies IV: Magnetic Resonance Imaging


