深度学习放射学模型的对比增强CT区分肝转移的主要来源的肝转移

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 准确识别肝转移的主要瘤来源对于有效的患者治疗和管理至关重要.
• 用传统方法区分不同类型的肝转移,如乳腺癌,肺癌,结直肠癌,胃癌和胰腺癌,可能是具有挑战性的.

研究的目的:

• 开发和验证深度学习放射学 (DLR) 模型,用于识别肝转移的主要来源.
• 根据对比度增强的CT图像,评估DLR模型在分类五种常见类型的肝转移中的性能.

主要方法:

• 利用了来自三个临床中心的428名患者657例肝转移病变的数据集.
• 使用对比度增强的CT数据开发了一个DLR模型,并逐步分类以提高效率.
• 将DLR模型的性能与使用精度 (ACC) 和接收器操作特征曲线 (AUC) 下的面积的经典机器学习模型进行了比较.

主要成果:

• 与机器学习模型相比,DLR模型在各种分类任务中表现出更高的性能.
• 在五类分类任务中,DLR模型的平均AUC为0.796,ACC为0.563.
• 在特定的分类子任务中观察到高AUC值 (0.907对于DTC与非DTC,0.809对于LC与BC) 和ACC (0.843对于DTC与非DTC,0.772对于LC与BC).

结论:

• 开发的深度学习放射学模型是识别肝转移的主要来源的有效工具.
• DLR方法在改善各种类型肝转移的诊断准确性方面显示出显著的潜力.