双源双能量CT和深度学习用于CT图像上的模两可的淋巴结,用于甲状腺癌
Sheng Li1,2, Xiaoting Wei3, Li Wang4
1Department of Radiology, Sun Yat-sen University Cancer Center, State Key Laboratory of Oncology in South China, Collaborative Innovation Center for Cancer Medicine, Guangzhou, 510060, China.
European radiology
|June 21, 2024
概括
双能量CT和深度学习准确地对甲状腺癌中模两可的淋巴结进行分类. VGG16深度学习模型在检测恶性淋巴结方面表现出卓越的诊断性能.
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
背景情况:
- 甲状腺癌中的许多宫淋巴结 (LNs) 缺乏常规计算机断层扫描 (CT) 上可疑的特征.
- 准确的手术前分类这些模两可的LNs对于治疗规划至关重要.
研究的目的:
- 评估双能CT (DECT) 和深度学习 (DL) 模型的诊断性能,用于对甲状腺癌患者的模两可的LN进行分类.
- 将DL模型与DECT光谱参数的疗效进行比较,以区分良性和恶性LNs.
主要方法:
- 一项前性研究分析了从183名接受DECT的甲状腺癌患者中281名LNs.
- 包括VGG16在内的6个DL模型被训练在传统CT图像上对LNs进行分类.
- 通过将模型预测与术后病理报告进行比较来评估性能.
主要成果:
- DECT参数显著区分了良性和恶性LNs.
- 最好的DECT参数组合的AUC为0.857,精度为74.4%,灵敏度为84.2%.
- VGG16 DL模型获得了最高的精度 (86%) 和灵敏度 (88%),AUC为0.89.
结论:
- 与用于识别恶性LN的DECT光谱参数相比,VGG16 DL模型显示出更高的诊断准确度和灵敏度.
- 这项研究引入了一种使用DL和DECT的非侵入性,方便的成像生物标志物,用于预测甲状腺癌中没有可疑CT特征的恶性LNs.
