深度学习评估小脏质量在对比增强多相CTCT
Chenchen Dai1, Ying Xiong1, Pingyi Zhu1
1From the Departments of Radiology (C.D., P.Z., Z.S., M.Z., J.Z.), Urology (Y.X., J.G.), and Pathology (J.H.), Zhongshan Hospital, Fudan University, Shanghai, China; Shanghai Institute of Medical Imaging, Shanghai, China (C.D., P.Z., Z.S., M.Z.); Department of Radiology, The First Affiliated Hospital, Zhejiang University School of Medicine, Hangzhou, China (L.Y., F.C.); Departments of Urology (J.L.) and Radiology (J.Z.), Xiamen Branch, Zhongshan Hospital, Fudan University, 668 Jinhu Road, Huli District, Xiamen 361015, China; Department of Urology, Zhangye People's Hospital affiliated to Hexi University, Zhangye, China (J.Y.); Department of Radiology, the First People's Hospital of Lianyungang, Lianyungang, China (X.Z.); Department of Radiology, Quanzhou First Hospital, Fujian Medical University, Quanzhou, China (R.H.); Department of Pathology, Sir Run Run Shaw Hospital, Hangzhou, China (R.W.); Digital Medical Research Center, School of Basic Medical Sciences, Fudan University, Shanghai, China (K.W., S.W.); Shanghai Key Laboratory of MICCAI, Shanghai, China (K.W., S.W.); Xiamen Municipal Clinical Research Center for Medical Imaging, Xiamen, China (J.Z.); and Xiamen Key Clinical Specialty, Xiamen, China (J.Z.).
一个新的深度学习算法在CT扫描上准确地识别良性小质,匹配放射科医生的性能. 这种人工智能工具有助于精确表征病变,包括小于1厘米的小病变.
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:
- 精确的细小质的特征对于有效的患者管理至关重要.
- 深度学习 (DL) 具有提高这些病变的诊断准确性的潜力.
- 区分良性和恶性小质影响治疗决策.
研究的目的:
- 开发和验证用于识别良性小质的深度学习 (DL) 算法.
- 用对比度增强多相CT扫描来评估DL算法的性能.
- 将DL算法的准确性与经验丰富的放射科医生进行比较.
主要方法:
- 一个DL算法被训练在2009-2021年后期的CT数据上.
- 该算法在独立的外部 (多中心) 和前性测试集上进行了验证.
- 使用接收器操作特征曲线 (AUC) 下的面积来评估性能,并与七名临床医生进行比较.
主要成果:
- DL算法在识别良性小脏质量方面表现与泌尿器官放射学家相似.
- 对于外部测试组,DL算法实现了0.80的AUC,而放射科医生的AUC为0.84 (P = .61).
- 亚厘米损伤的性能也相似 (DL的AUC为0.74与放射科医生的AUC为0.81,P = .78).
结论:
- 一个基于多相CT的DL算法显示了与放射科医生对良性小质的诊断性能相似的诊断性能.
- 该算法甚至对小病变有效,包括测量1厘米或更小的病变.
- 这种人工智能工具可以帮助准确地描述可疑的质,优化临床管理.


