卵巢尾报告和数据系统MRI评分:诊断准确性,观察者之间的协议,以及对机器学习的适用性

科学领域:

• 放射学 放射学是指放射学
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 卵巢-附体报告和数据系统磁共振成像 (O-RADS MRI) 对于标准化对附体病变的评估至关重要.
• 评估观察者之间的一致性和诊断准确性对于完善O-RADSMRI协议至关重要.
• 机器学习 (ML) 在提高诊断性能方面的潜力值得研究.

研究的目的:

• 评估O-RADSMRI的观察者间一致性和诊断准确性.
• 评估机器学习模型对O-RADSMRI数据的适用性.
• 将ML模型的性能与放射科医生评估进行比较.

主要方法:

• 通过使用动态对比增强的盆腔MRI对471个附病变进行了回顾性分析.
• 3名放射科医生根据O-RADSMRI标准对病变进行评估.
• 放射性特征的提取和ML模型的构建 (ANN,SVM,随机森林,天真贝叶斯).

主要成果:

• 对O-RADS 4 (kappa:0.669) 和O-RADS 5 (kappa:0.709) 类别来说,观察者间的共识是最低的.
• 在O-RADS MRI中,预测恶性瘤的AUC为O-RADS 4的74.3%,O-RADS 5的95.5%.
• 人工神经网络 (ANN) 模型获得了最高的性能,在区分O-RADS组时AUC为0.948.

结论:

• 对O-RADS 4-5的O-RADSMRI的观察者间协议和诊断灵敏度需要改进.
• 机器学习模型,特别是ANN,在分类O-RADSMRI类别方面表现出高准确性.
• 将人工智能集成到MRI协议中,有望提高附损伤评估中的诊断性能.