通过使用深度学习网络的超声波图像进行胰腺肥胖症的非侵入性诊断

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 内分泌学 在内分泌学.

背景情况:

• 胰腺肥胖症 (PS) 在临床实践中越来越被认可.
• PS与2型糖尿病 (T2DM) 之间的关联需要进一步澄清.
• 对于PS,需要准确的诊断工具来进行风险分层.

研究的目的:

• 确定胰腺肥胖症是否是T2DM的独立风险因素.
• 开发和验证深度学习 (DL) 模型,用于使用超声波 (US) 图像诊断PS.
• 将DL模型的诊断性能与传统的美国评估进行比较.

主要方法:

• 对139名接受胰腺US和切除的患者进行了回顾性分析.
• 后勤回归以确定T2DM的独立预测因子.
• 在美国图像上开发和验证用于PS检测的DL模型.
• 接收器操作特征 (ROC) 曲线分析以评估诊断疗效.

主要成果:

• 在研究队列中,PS的发病率为64.7%.
• 年龄和PS的存在被确定为T2DM的独立风险因素 (分别P=0.003和P=0.048).
• DL模型实现了高诊断性能 (AUC 0.901,灵敏度 0.895,特异性 0.700用于培训;AUC 0.837,灵敏度 0.920,特异性 0.765用于验证).
• DL模型显著优于传统的美国成像 (P<0.001和P=0.045).

结论:

• 胰腺肥胖症是T2DM的独立风险因素.
• 开发的深度学习模型显著提高了通过超声波进行PS诊断的准确性.
• 这种人工智能驱动的方法可以通过广泛的PS查来帮助早期识别T2DM风险.