一个外部验证研究,用于自动细分的静脉瘤swannoma
Krish Suresh1, Guibo Luo2, Ryan A Bartholomew1
1Department of Otolaryngology-Head and Neck Surgery, Massachusetts Eye and Ear, Harvard Medical School, Boston, Massachusetts.
概括
在对各种内部数据进行测试时, vestibular schwannoma (VS) 细分的自动化模型显示出有前途的结果,获得了61%的子得分. 对于可概括的VS细分,需要进一步验证.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 神经外科 神经外科
背景情况:
- 静脉瘤 (VS) 的细分对于治疗计划至关重要.
- 自动化细分模型需要对各种数据集进行验证.
- 当前的模型可能无法很好地将异质成像数据概括为.
研究的目的:
- 在内部异质数据上验证自动化的VS细分模型.
- 评估模型在不同成像系统和患者群体中的性能.
- 为了确定未来模型改进的局限性.
主要方法:
- 使用外部,均的数据集 (242名患者) 开发了一个自动化的VS细分模型.
- 该模型在10名患者的内部数据集上进行了测试,这些患者有异质的MRI扫描.
- 绩效使用Dice分数来评估细分的准确性.
主要成果:
- 自动化模型在内部数据集上获得了平均61%的子得分.
- 没有检测到三个小瘤 (平均0.01毫升).
- 检测到的瘤的平均Dice得分为87%,其中一个异常值是由于邻近骨的细分.
结论:
- 自动化的VS细分模型可以适应来自不同机构的异质数据.
- 这项研究代表了验证自动化VS细分的第一步.
- 需要进一步的研究和验证,以确保自动化VS细分的普遍性.


