一个基于非增强脑CT的3D卷积神经网络,用于识别脑转移患者

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 非增强型CT (NE-CT) 脑部扫描在癌症分期中越来越常见,但往往难以检测大脑转移 (BM).
• 专门的大脑成像很少建议无症状癌症患者,造成诊断差距.
• 开发用于NE-CT的AI工具可以提高BM检测效率.

研究的目的:

• 开发和验证一个3D卷积神经网络 (3D-CNN) 用于检测大脑转移 (BM) 使用非增强型CT (NE-CT) 脑部扫描.
• 评估3D-CNN在区分有和没有BM的癌症患者中的准确性.
• 建立一个潜在的AI驱动的方法,用于早期的BM诊断,而没有对比度增强.

主要方法:

• 对100名患有骨髓瘤的患者和100名没有骨髓瘤的患者的NE-CT扫描进行了回顾性分析,不包括小于5毫米的病变.
• 用对比度增强的MRI对最大瘤进行手动细分,并提取放射性特征.
• 3D-CNN模型的开发和优化,包括卷积层,聚合,脱落和西格激活,对70%的数据集进行训练,对30%的数据集进行验证.

主要成果:

• 最好的3D-CNN模型实现了0.983的平均验证精度 (SD:0.020) 和0.983的ROC曲线下的面积 (SD:0.023).
• 该模型在检测大脑转移方面表现出高灵敏度 (0.983,SD:0.020).
• 该研究成功开发了一种准确的AI模型,用于在NE-CT扫描上检测BM,中位数最大瘤直径为2.29厘米.

结论:

• 一个3D-CNN模型有效地区分了脑转移和没有脑转移的癌症患者,仅使用非增强型CT扫描.
• 开发的AI工具显示了高的诊断性能,表明其在临床环境中的潜在实用性.
• 建议进行进一步的外部验证,以确认模型的通用性和临床影响.