术前对比增强CT基于深度学习的放射学模型,用于区分逆皮质瘤和区分良好的脂类瘤

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 区分 retroperitoneal well-differentiated liposarcomas (WDLPS) 和脂瘤对于适当的患者管理至关重要.
• 鼠双分钟2 (MDM2) 基因放大是WDLPS的关键遗传标记物,但其手术前识别仍然具有挑战性.
• 当前的成像技术往往缺乏可靠区分这些实体的特异性.

研究的目的:

• 评估基于手术前对比度增强CT (CECT) 的深度学习放射学名录 (DLRN) 在预测MDM2基因放大方面的有效性.
• 评估DLRN区分 retroperitoneal WDLPS和脂瘤的能力.
• 将DLRN的性能与传统的临床放射学模型和放射学特征进行比较.

主要方法:

• 一项回顾性多中心研究包括167名患有MDM2-阳性WDLPS或MDM2-阴性脂瘤的患者.
• 使用CECT功能和深度学习放射学,开发了一个DLRN.
• 模型性能被评估使用接收器操作特征曲线 (AUC) 下的面积,精度,校准曲线和决策曲线分析 (DCA).

主要成果:

• DLRN在区分WDLPS和脂瘤方面表现出很高的准确性,AUC为0.981 (训练) 和0.861 (验证).
• 在DLRN显著优于临床放射学和放射学签名模型 (P <0.05).
• 诺米图表显示了良好的校准和实质性的临床实用性,这是DCA证实的.

结论:

• DLRN 是一个强大的工具,用于手术前分化 retroperitoneal WDLPS 和脂瘤.
• 这种成像生物标志物有望促进个性化管理,并在软组织瘤诊断中推进精准医学.
• 深度学习和放射学的整合为放射学提供了增强的诊断能力.