一个基于X射线图的深度学习模型提高了放射科医生的性能,用于分类主要骨瘤的组织类型:一个多中心研究
Zhuoyao Xie1, Huanmiao Zhao2, Liwen Song1
1Department of Radiology, The Third Affiliated Hospital of Southern Medical University (Academy of Orthopedics, Guangdong Province), 183 Zhongshan Da Dao Xi, Guangzhou, Guangdong, 510630, China.
European journal of radiology
|May 11, 2024
概括
一个深度学习 (DL) 模型准确地使用X射线图对原发性骨瘤 (PBT) 组织类型进行分类. 这种人工智能工具显著提高了放射科医生的诊断准确性和PBT分类的效率.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 准确地组织学分类原发性骨瘤 (PBTs) 对于有效的治疗计划至关重要.
- 放射图片是PBT的主要成像方式,但组织学分类可能具有挑战性.
- 深度学习 (DL) 为瘤学中的自动图像分析和分类提供了潜力.
研究的目的:
- 开发一种深度学习 (DL) 模型,使用放射图来分类原发性骨瘤 (PBT) 的组织类型.
- 评估DL模型在协助放射科医生进行PBT分类方面的临床实用性.
主要方法:
- 对878名病理确诊的PBT患者进行了回顾性研究.
- 开发了一个DL模型,EfficientNet-B3,使用X光照和临床特征将PBT分为五个组织学类别.
- 用AUC,精度,灵敏度和特异性来评估模型性能;通过与放射科医生的观察员研究来评估临床效用.
主要成果:
- DL模型的宏观平均AUC为0.904 (内部) 和0.873 (外部),精度分别为67.5%和68.7%.
- 模型辅助分析显著提高了诊断准确性,减少了解释时间,并增加了初级和高级放射科医生的信心.
- 具体的改进包括小放射科医生的精度从50.6%增加到72.3%,高级放射科医生的精度从68.7%增加到75.3%.
结论:
- 开发的DL模型在从X射线图分类PBT组织类型方面表现出强的表现.
- DL模型有效地协助放射科医生,导致与独立评估相比,诊断结果得到改善.
- 这种人工智能工具显示出显著的潜力,可以增强初级骨瘤的诊断工作流程.
