针对结肠直肠癌肝转移评估 (COALA) 的自学自行细分模型的开发和外部评估
Jacqueline I Bereska1,2,3, Michiel Zeeuw4,5, Luuk Wagenaar4,6
1Cancer Center Amsterdam, Amsterdam, The Netherlands. j.i.bereska@amsterdamUMC.nl.
Insights into imaging
|November 22, 2024
概括
一个人工智能模型在CT扫描上准确地对结直肠癌肝转移 (CRLM) 进行细分,使得可靠的总瘤体积 (TTV) 评估成为可能. 这有助于TTV.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 瘤总体积 (TTV) 是结直肠癌肝转移 (CRLM) 的预后指标.
- 手动TTV评估耗时,限制了其临床使用.
- 自动化细分可以提高TTV的临床效用.
研究的目的:
- 开发和验证CT扫描上CRLM的自动化细分模型.
- 为了实现CRLM的高效和准确的TTV测量.
- 支持TTV作为成像生物标志物的临床采用.
主要方法:
- 通过自学方法,对783个对比增强CT扫描进行深度学习模型的训练.
- 一个教师-学生模型框架被用于细分.
- 模型的性能使用DICE分数和内部和外部测试集的类内相关系数 (ICC) 来评估.
主要成果:
- 自动细分模型的平均DICE得分为0.85 (内部) 和0.83 (外部).
- 在模型和手动细分之间,TTV的ICC在两个测试集中为0.97.
- 该模型在CT扫描上的CRLM细分方面表现出很高的性能.
结论:
- 开发的AI模型准确地细分了CRLM,促进了TTV评估.
- 该模型的高性能支持其在临床实践中的使用.
- 自动TTV测量可以提高CRLM的预后分层和治疗计划.
