一个灵活的深度学习框架用于肝脏瘤诊断,使用可变的多相对比增强CT扫描
Shixin Huang1,2, Xixi Nie3, Kexue Pu4
1Department of Scientific Research, The People's Hospital of Yubei District of Chongqing city, Chongqing, 401120, China.
Journal of cancer research and clinical oncology
|October 3, 2024
概括
一个新的层次长期短期记忆 (H-LSTM) 模型使用对比增强CT (CECT) 图像准确区分肝癌类型. 这种人工智能驱动的方法可以改善手术前诊断,即使成像阶段不完整.
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:
- 肝癌是全球癌症死亡的主要原因之一.
- 准确的手术前诊断肝癌亚型是具有挑战性的.
- 在治疗中,区分肝细胞癌 (HCC) 和肝脏内胆管癌 (ICC) 是至关重要的.
研究的目的:
- 开发一种用于肝癌分类的自动诊断模型.
- 使用多相CET图像来区分HCC,ICC和正常的肝脏组织.
- 创建一个强大的模型,能够处理不完整的CECT数据.
主要方法:
- 设计了一个层次长期短期记忆 (H-LSTM) 模型.
- 该模型使用共享的特征提取器,每个阶段的内部LSTM,以及跨阶段的外部LSTM.
- 应用了相增强技术,以增强模型的稳定性,使用多相CET数据.
主要成果:
- 在测试数据集中,H-LSTM 模型在测试数据集上实现了整体AUROC 0.93.
- 特定的AUROC值为HCC的0.97和ICC的0.90.
- 该模型保持了高性能 (AUROC>0.9),即使在不完整的CECT阶段.
结论:
- H-LSTM模型在从CET图像,包括不完整的数据集中对肝癌亚型进行分类方面表现出了很高的性能.
- 人工智能辅助系统显示出改善肝癌诊断和治疗的巨大潜力.
- H-LSTM模型为涉及多相成像数据的临床诊断提供了实用和有效的解决方案.