对RSNA 2020肺栓塞检测挑战的外部验证 获胜的深度学习算法

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 肺栓塞 (PE) 诊断依赖于计算机断层扫描肺血管造影 (CTPA).
• 深度学习 (DL) 算法显示出对自动化PE检测的前景.
• 评估DL算法在不同CT技术中的通用性至关重要.

研究的目的:

• 评估PE检测的领先DL算法的诊断性能.
• 评估算法对来自两个医院的当地患者数据的概括性.
• 为了比较多探测器CT (MDCT) 与光谱探测器CT (SDCT) 图像的性能.

主要方法:

• 对疑似PE患者CTPA图像的回顾性分析.
• 在RSPECT数据集上重新训练RSNA 2020挑战获胜的DL算法.
• 在MDCT (A医院) 和SDCT/VMI (B医院) 数据集上测试算法,与放射科医生共识进行比较.

主要成果:

• DL算法实现了高诊断准确性,在A医院 (MDCT) 的曲线下面积 (AUC) 为0.96.
• 在B医院的表现略低,常规重建的AUC为0.89,SDCT上的VMI为0.87.
• 前列腺炎的患病率在A医院为30.7%,B医院为29.0%.

结论:

• 经过重新训练的DL算法证明了在MDCT图像上检测PE的高诊断准确性.
• 在SDCT图像上的性能略有下降,表明需要适应较新的CT技术.
• 对各种CT数据的进一步培训可能会提高DL算法用于PE检测的泛化性和稳定性.