深度学习以区分多探测器CT中的良性和恶性脊椎骨折
Sarah C Foreman1, David Schinz1, Malek El Husseini1
1From the Departments of Radiology (S.C.F., A.S.D., G.C.F., M.R.M.) and Neuroradiology (D.S., M.E.H., M.R., M.C.M., B.W., B.J.S., J.S.K.), Klinikum Rechts der Isar, Technische Universität München, Ismaninger Strasse 22, 81675 Munich, Germany; Departments of Radiology (S.S.G., J.W.) and Neuroradiology (R.S., A.S.G.), University Hospital Munich (LMU), Munich, Germany; and German Cancer Consortium (DKTK), Partner Site Munich, and German Cancer Research Center (DKFZ), Heidelberg, Germany (B.W.).
Radiology
|March 26, 2024
概括
深度学习模型准确地区分良性和恶性脊椎骨折,匹配专家放射科医生的表现. 这些人工智能工具显示出在具有挑战性的病例中提高诊断准确性的巨大潜力.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 从诊断上来说,区分良性和恶性脊椎骨折是非常具有挑战性的.
- 计算机断层扫描 (CT) 是评估脊椎骨折的关键成像方式.
- 深度学习 (DL) 为医疗图像的自动化分析提供了潜力.
研究的目的:
- 评估基于CT的深度学习模型在区分良性和恶性脊椎骨折方面的可靠性.
- 将DL模型的诊断性能与人类专家阅读器进行比较.
主要方法:
- 已确认良性或恶性脊椎骨折的患者CT扫描的回顾性分析.
- 开发一个3D U-Net编码器-分类器深度学习架构与数据增强.
- 在内部和外部测试组上使用接收器操作特征曲线 (AUC) 下的面积进行评估.
- 对照模型的表现与放射科住院医生和受过奖学金培训的放射科医生.
主要成果:
- 性能最好的DL模型实现了0.85 (内部) 和0.75 (外部) 的AUC.
- 将一个不确定性类别纳入,提高了AUC的0.91 (内部) 和0.76 (外部) 的性能.
- DL模型的表现优于放射科住院医生的表现 (AUC 0.69-0.71),并且与奖学金培训放射科医生的表现相匹配 (AUC 0.71-0.86).
结论:
- 开发的基于CT的深度学习模型显示了脊椎骨折特征的高分辨能力.
- 这些人工智能模型显示了协助放射科医生的潜力,与经验较少的阅读器的性能相匹配或超过.
- 这些发现支持AI在改善恶性脊椎病变诊断方面的临床实用性.
