基于计算机断层扫描的预测胰腺炎在胆管金属支架与卷积神经网络放置后
Tsuyoshi Hamada1,2, Koichiro Yasaka3, Yousuke Nakai1,4
1Department of Gastroenterology, Graduate School of Medicine, The University of Tokyo, Tokyo, Japan.
Endoscopy international open
|June 21, 2024
概括
深度学习模型可以预测胆管支架放置后的胰腺炎风险. 将卷积神经网络 (CNN) 与临床数据相结合,提高了这种严重不良事件的预测准确度.
科学领域:
- 医学成像医学成像
- 人工智能的人工智能是人工智能.
- 胃肠病学 胃肠病学
背景情况:
- 胰腺炎是恶性胆道阻塞 (MBO) 的内镜胆道支架放置的严重风险.
- 在SEMS安置后胰腺炎的预测模型有限.
- 在这种情况下,用于图像识别的深度学习并未用于预测胰腺炎.
研究的目的:
- 开发和评估一个深度学习模型,用于在SEMS安置后预测胰腺炎.
- 评估CNN模型与传统机器学习模型相结合的附加值.
主要方法:
- 一个卷积神经网络 (CNN) 在接受MBO的SEMS安置的70名患者的手术前CT图像上受过训练.
- CNN模型的预测概率被整合到后勤回归,SVM,随机森林和梯度增强模型中.
- 用AUC,PPV,精度和特异性来评估模型性能.
主要成果:
- 独立的CNN模型表现中等 (AUC为0.67).
- 将CNN概率集成到机器学习模型中,显著改善了性能指标.
- 使用CNN概率的后勤回归模型实现了AUC为0.74,PPV为0.85,精度为0.83.
结论:
- 一个基于CNN的模型显示,在胆汁SEMS放置后,有可能提高胰腺炎的预测.
- 深度学习技术可以改善胰腺胆膜内镜中的预后模型.
- 这种方法可能有助于减轻与内镜手术相关的风险.
