在使用深度学习的儿科喉瘤的诊断支持
Giovanni Castiglioni1,2, Joaquín Vallejos3, Jhon Intriago1,2
1Department of Electrical Engineering, Faculty of Physical and Mathematical Sciences, University of Chile, Santiago, Chile.
概括
一个新的深度学习算法有助于使用MRI扫描对儿科细胞-细胞上瘤进行分类. 可解释的人工智能 (XAI) 确保了诊断准确性,显示了放射支持的有希望的结果.
科学领域:
- 儿科神经瘤学 儿童神经瘤学
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 细胞上细胞瘤是影响儿科患者的多样化瘤群.
- 准确的放射学分类对于诊断和治疗规划至关重要.
研究的目的:
- 开发一个卷积深度学习算法,用于分类儿科细胞-超细胞瘤.
- 为分类这些瘤提供放射学援助.
主要方法:
- 利用了来自226名智利儿科患者的T1w和T2w手术前MRI扫描.
- 图像被分为三个组:健康的对照组,瘤和其他细胞/细胞上瘤.
- 应用深度学习和可解释的人工智能 (XAI) 技术.
主要成果:
- 取得了0.828±0.039的正预测值 (PPV) 和0.919±0.063.3的负预测值 (NPV).
- XAI发现,与诊断相关的结构显著影响了算法的决策.
结论:
- 这项研究代表了深度学习和XAI在该机构细胞-细胞上瘤分类的首次应用.
- 开发的算法显示了在儿科神经瘤学中放射性诊断支持的有希望的结果.
