基于多参数MRI的可解释深度学习放射学融合模型的开发和验证,用于预测淋巴结转移和直肠癌的预后:一项双中心研究

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 精确的淋巴结 (LN) 转移的术前预测对于直肠癌的分期和治疗计划至关重要.
• 多参数磁共振成像 (MRI) 为癌症的特征提供了丰富的信息.

研究的目的:

• 开发可解释的深度学习放射学 (DLR) 模型,使用多参数MRI来预测直肠癌中的淋巴结转移.
• 评估DLR模型对放射科医生的诊断性能的影响.

主要方法:

• 对286名 (培训) 和66名 (外部测试) 直肠癌患者的回顾性分析.
• 从T2加权成像 (T2WI) 和扩散加权成像 (DWI) 中提取放射学特征.
• 使用四种深度学习模型 (MobileNet-V3-large,Inception-V3,ResNet50,VGG16) 来提取DL特征,并与放射学特征相结合,形成DLR模型.
• 使用Shapley添加式解释 (SHAP) 解释模型和评估诊断性能,有或没有DLR模型辅助.

主要成果:

• DLR模型,特别是MobileNet-V3大型组合,表现优于单个DL和无线电模型.
• 实现了0.878 (训练) 和0.752 (外部测试) 的曲线下面面积 (AUC).
• DLR模型显著提高了初级和高级放射科医生的诊断性能,AUC增加了高达0.232.

结论:

• 开发的DLR模型有效地使用多参数MRI预测直肠癌中的淋巴结转移.
• DLR模型是增强放射科医生的诊断能力的宝贵工具,提高了手术前分期的准确性.