基于深度学习的方法,用于识别和测量对比增强MRI的焦点肝损伤

科学领域:

• 医疗成像医学成像
• 放射学中的人工智能
• 肝脏损伤检测检测 肝脏损伤检测

背景情况:

• 全球日益增加的焦点肝病变 (FLLs) 检测需要强大的自动检测系统.
• 对比增强磁共振成像 (MRI) 对于FLL的表征至关重要.

研究的目的:

• 评估基于深度学习的人工智能 (AI) 软件的性能,用于识别和测量对比增强MRI上的FLL.
• 为了比较AI,放射科医生及其组合的诊断能力.

主要方法:

• 用1.5T和3TMRI扫描仪对395名患有1149例FLL的患者进行了回顾性分析.
• 人工智能软件的性能评估了病变细分 (迪斯系数) 和不同病变大小的检测灵敏度.
• AI和放射科医生测量与122个切除的病变的病理尺寸的比较.

主要成果:

• 人工智能在肝损伤细分方面实现了0.62的平均子系数.
• 与放射科医生单独 (0.825, 0.806) 相比,AI-放射科医生组合显示出更高的检测率 (0.894) 和灵敏度 (0.883).
• 对于20毫米以下的病变,AI显示出更高的灵敏度 (0.848比0.788),而对于20毫米以上的病变,两者都表现相似.

结论:

• 深度学习的人工智能软件在自动识别和测量肝损伤方面展示了实际实用性.
• 人工智能显著提高了放射科医生的诊断性能,特别是在较小的FLL.
• 人工智能系统显示可靠的协议与放射科医生测量和病理发现.