基于T1WI图像的放射学模型和深度学习模型用于急性淋巴细胞白血病识别
1Department of Radiology, The Affiliated Children's Hospital of Xiangya School of Medicine, Central South University (Hunan Children's Hospital), Changsha, China.
Clinical radiology
|May 25, 2024
概括
这项研究开发了精确的放射学和深度学习模型,以使用T1WIMRI检测急性淋巴细胞白血病 (ALL). 两种模型都显示出高诊断效率,深度学习略高于放射学.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 在儿童中,急性淋巴细胞白血病 (ALL) 的诊断通常依赖于成像.
- 开发准确的,非侵入性的检测方法对于早期干预至关重要.
- T1加权成像 (T1WI) 提供了定量分析的潜力.
研究的目的:
- 开发和比较高度精确的放射学和深度学习模型,用于ALL检测.
- 为了评估这些模型的诊断效果,使用T1WI脑MRI.
- 评估开发模型的准确性,敏感性和特异性.
主要方法:
- 利用了来自ALL儿童和健康对照者的604个T1WI脑部MRI扫描.
- 提取了放射学特征并训练了一个支向量机器模型.
- 使用Efficientnet-B3网络开发了一个深度学习模型.
- 在单独的测试队列上验证了这两种模型,计算了AUC,精度,灵敏度和特异性.
主要成果:
- 深度学习模型实现了0.981的曲线下面积 (AUC),而放射学模型的0.962.
- 深度学习模型表现出卓越的准确性 (0.9344) 和特异性 (0.9737).
- 放射学模型显示了更高的灵敏度 (0.9565) 和负预测值 (0.9714).
结论:
- 放射学和深度学习模型都表现出使用T1WIMRI检测ALL的高诊断效率.
- 深度学习模型在整体性能方面显示出轻微的优势,特别是在特异性方面.
- 这些人工智能驱动的方法有望提高ALL诊断的准确性和效率.
更多相关视频
06:08Assessment of Chimeric Antigen Receptor T Cell-Associated Toxicities Using an Acute Lymphoblastic Leukemia Patient-Derived Xenograft Mouse Model
Published on: February 10, 2023
1.3K
08:58Label-Free Identification of Lymphocyte Subtypes Using Three-Dimensional Quantitative Phase Imaging and Machine Learning
Published on: November 19, 2018
12.5K