对深度学习模型的外部验证,用于在腹部CT图像上自动细分骨肌肉和脂肪组织
David P J van Dijk1,2,3, Leroy F Volmer4,5, Ralph Brecheisen1,2
1Department of Surgery, Maastricht University Medical Center, Maastricht, 6200 MD, The Netherlands.
The British journal of radiology
|September 17, 2024
概括
一个深度学习神经网络 (DLNN) 已开发用于自动化身体组成分析从CT扫描. 这种性能强大的算法经过了外部验证,可以帮助大规模研究和临床实践.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 放射学和身体组成.
背景情况:
- 在癌症研究中,使用L3级CT图像进行身体组成评估至关重要,并且与生存有关.
- 高通量自动化细分对于分析大型患者队列和临床实施至关重要.
研究的目的:
- 训练和外部验证深度学习神经网络 (DLNN) 用于自动细分L3-CT图像.
- 为了使大患者群体能够进行强大的身体成分分析.
主要方法:
- 一个DLNN被训练使用专家细分的内脏脂肪组织 (VAT),皮下脂肪组织 (SAT),和骨肌肉 (SM) 从3187L3-CT图像.
- 对2535名腹部癌症患者进行了外部验证.
- 使用子相似性 (DS) 和林的一致性相关系数来评估性能.
主要成果:
- DLNN显示了高精度,DS值的中位数为SM的0.97,VAT的0.98,SAT的0.95.
- 观察到非常好的对应关系:SM (0.964),VAT (0.998) 和SAT (0.992).
- 布兰德-阿尔特曼分析显示,放射密度和组织测量的系统偏移在临床上是微不足道的.
结论:
- 一个强大的DLNN用于自动化身体组成分析成功开发和外部验证.
- 这种经过验证的DLNN可以促进大规模的人口研究,并将其纳入常规的临床实践,以分析身体成分.
