病变检测和细分的概括性,当ScaleNAS在大型多器官数据集上训练并在肝脏中验证时

科学领域:

• 医学成像分析分析 医学成像分析
• 人工智能在瘤学中的应用
• 放射学和诊断成像学 放射学和诊断成像学

背景情况:

• 通过成像进行准确的瘤评估对于癌症诊断和治疗至关重要.
• 在转移性疾病中常见的肝病变,存在检测和细分的挑战.
• 人工智能 (AI) 显示出对自动化这些劳动密集型任务的承诺,减少观察者之间的变化.

研究的目的:

• 评估人工智能模型 (ScaleNAS) 用CT扫描检测和细分肝病变的性能.
• 为了比较人工智能的性能与人类放射科医生在相同的任务上.
• 评估ScaleNAS对内部和外部数据集的概括能力,包括结直肠肝转移 (CRLM).

主要方法:

• ScaleNAS在一个多样化的数据集 (CUPA) 上进行了训练,包括现实世界和临床试验数据.
• 内部测试使用了精细的CUPA测试集,专注于肝病变,并附有专家共识注释.
• 外部测试使用了公开可用的TCIA-CRLM数据集,放射学家对参考标准达成共识.

主要成果:

• 在内部测试组中,ScaleNAS在肝脏病变方面实现了71.4%的灵敏度和70.2%的子系数.
• 在外部的TCIA-CRLM集中,ScaleNAS显示了68.2%的灵敏度和64.2%的Dice系数.
• 人类放射科医生表现更高,特别是在外部测试组中,灵敏度为84.1%,Dice为88.4%.

结论:

• 斯卡尔纳斯 (ScaleNAS) 证明了肝损伤检测和跨多种数据集的细分的初始能力.
• 人工智能模型不会超越人类放射科医生,但可以作为初始轮的工具,帮助放射科医生的工作流程.
• 未来的研究旨在将该模型的应用扩展到其他损伤类型和解剖部位.