用深度学习和多阶段CT成像进行焦点肝损伤诊断
Yi Wei1, Meiyi Yang2, Meng Zhang3
1Department of Radiology, West China Hospital, Sichuan University, Chengdu, Sichuan, China.
Nature communications
|August 15, 2024
概括
一个新的AI系统,肝损伤网络 (LiLNet),通过CT扫描准确诊断肝损伤. 这种工具有助于区分良性和恶性瘤,改善患者的治疗结果,特别是在放射科医生稀缺的地方.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 准确诊断肝病变对于有效治疗和患者预后至关重要.
- 多相增强计算机断层扫描 (CT) 是肝损伤评估的关键成像方式.
研究的目的:
- 开发和验证一种自动化系统,即肝损伤网络 (LiLNet),用于使用多相增强CT诊断肝损伤的焦点病变.
- 评估LiLNet在分类各种类型的肝病变,包括良性和恶性瘤的诊断性能.
主要方法:
- 开发肝损伤网络 (LiLNet) 使用来自六个数据中心的4039名患者的数据集.
- LiLNet 接受了培训,以识别和分类六种焦点肝损伤类型:肝细胞癌 (HCC),肝内胆管癌 (ICC),转移性瘤 (MET),焦点结节性增生 (FNH),血管瘤 (HEM) 和囊 (CYST).
- 在四个外部中心进行了验证,在两家医院进行了临床验证.
主要成果:
- LiLNet实现了高诊断准确性:94.7%的ACC和97.2%的AUC用于区分良性和恶性瘤.
- 对于恶性瘤 (HCC,ICC,MET),ACC为88.7%,AUC为95.6%,其中ACC的AUC为95.6%.
- 在良性病变 (FNH,HEM,CYST) 中,ACC为88.6%,AUC为95.9%.
结论:
- 开发的肝损伤网络 (LiLNet) 显示出作为肝损伤诊断的自动化工具的巨大潜力.
- LiLNet可以帮助临床医生进行诊断,特别是在资源有限的环境中,缺乏专家放射科医生.
- 该系统在分类良性和恶性肝病变方面表现出高度准确性,支持临床决策.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
08:41Novel In Vivo Micro-Computed Tomography Imaging Techniques for Assessing the Progression of Non-Alcoholic Fatty Liver Disease
Published on: March 24, 2023
1.1K
