卷积神经网络用于识别常见的胆道结石,基于磁共振胆血管细胞造影

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 胃肠病学 胃肠病学

背景情况:

• 胆胆病或常见的胆管结石是一个重大的临床挑战.
• 准确和及时诊断常见的胆管结石对于患者管理至关重要.
• 当前的诊断方法可能在灵敏度或特异性方面存在局限性.

研究的目的:

• 开发和评估基于机器学习的自动分类系统,用于检测胆固醇胆病.
• 为了利用三维磁共振胆血管脑膜造影 (3D MRCP) 图像进行自动化石头检测.
• 为了比较开发系统与人类放射科医生的性能.

主要方法:

• 一个3D卷积神经网络 (3D-CNN) 模型被训练使用3D MRCP序列从254名患者的普通胆道 (CBD) 石头和251个正常情况下.
• 3D-CNN模型在来自三个不同医院的184名患者的独立数据集上进行了前性验证.
• 计算了性能指标,包括灵敏度,特异性,精度和曲线下的面积 (AUC).

主要成果:

• 3D-CNN模型实现了高诊断性能,灵敏度为94.51%,特异性为92.47%,准确度为93.48%.
• 检测CBD石的曲线下的面积 (AUC) 为0.974,表明了极好的歧视.
• 该系统的性能与经验丰富的放射科医生相美,并且在来自多个机构的内部和外部测试套件中表现出稳健性.

结论:

• 一个人工智能辅助的诊断系统,使用3D-CNN在3D MRCP图像上的CBD石头已经成功开发.
• 3D-CNN模型展示了与放射科医生同等的诊断性能,用于检测常见的胆道结石.
• 当该系统应用于来自不同临床环境的数据时,它表现出一致的高性能,这表明它有可能广泛采用临床应用.