深度学习分析用于胃肠道瘤的差异诊断和风险分类

科学领域:

• 胃肠病学 胃肠病学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 人工智能 (AI) 越来越多地用于临床诊断.
• 人工智能在胃肠道内镜中的应用已经确立,但对内镜超声波 (EUS) 的应用较少.
• 区分胃肠道 stromal 瘤 (GISTs) 和评估其风险对于患者管理至关重要.

研究的目的:

• 在EUS图像 (EUS-CAD) 上使用深度学习来评估计算机辅助诊断 (CAD) 系统.
• 评估EUS-CAD系统区分GIST与其他介质瘤的能力.
• 确定EUS-CAD用于GIST风险分类的可行性.

主要方法:

• 分析了101种病理确认的亚皮质病变 (SEL),其中包括69种GIST,17种瘤和15种瘤.
• 一个深度学习模型在3283张EUS图像上进行了训练和验证,用于GIST诊断和2784张图像用于风险分类.
• 在827张EUS图像上进行了独立测试,以确定诊断的准确性.

主要成果:

• 在区分GIST与其他SEL时,EUS-CAD系统实现了80.4%的准确度,82.9%的灵敏度和75.3%的特异性 (ROC AUC:0.865).
• 对于中等和高风险的GIST,该系统显示精度为71.8%,灵敏度为70.2%,特异性为72.0% (ROC AUC:0.771).
• 该系统证明了良好的诊断产量和风险分层的可行性.

结论:

• 使用EUS图像,EUS-CAD系统有效地将GIST与其他介质瘤区分开来.
• 该系统显示了GIST风险分类的前景,可能指导治疗决策.
• 这种由人工智能驱动的工具可能会减少在管理GIST时需要进行额外的侵入性检查的需要.