一种自动化方法的多中心外部验证,使用放射学和MRI上的深度学习来细分和区分非典型的脂质瘤和脂质瘤
D J Spaanderman1, S N Hakkesteegt2, D F Hanff1
1Department of Radiology and Nuclear Medicine, Erasmus MC, Rotterdam, the Netherlands.
EClinicalMedicine
|October 1, 2024
概括
这项研究验证了一种放射学模型,用于使用MRI将脂瘤与非典型的脂质瘤 (ALT) 区分开来. 该模型通过自动细分进行了增强,其性能与专家放射科医生相当,可能减少了活检的需要.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 医疗成像医学成像
背景情况:
- 通过成像将脂质瘤与非典型的脂质瘤 (ALT) 区分开来是具有挑战性的.
- 通常需要进行活检,这突显了改善诊断方法的必要性.
- 放射学为瘤分类提供了一个潜在的非侵入性解决方案.
研究的目的:
- 在MRI上对放射学模型进行外部和前性验证,以区分脂瘤和ALT.
- 通过自动和最小交互的细分来提高模型的临床可行性.
- 评估模型的性能与专家放射科医生对比.
主要方法:
- 三个多中心队列 (美国,英国,荷兰) 用于外部和前性验证.
- 开发了一种自动细分方法,使用交互式细分来进行质量控制.
- 放射学模型的性能被评估并与两个放射科医生进行了比较.
主要成果:
- 放射学模型的AUC值为0.74 (美国),0.86 (英国) 和0.89 (荷兰).
- 自动细分在78%的案例中是成功的,手动调整的需求最小.
- 该模型的性能与专家放射科医生的性能相当.
结论:
- 放射学模型,自动细分,准确地区分脂瘤和ALT.
- 这种方法有望减少对侵入性诊断程序的需求.
- 该模型在多中心和前性设置中显示出高可行性和准确性.
