应用深度学习算法用于诊断HCC
Philip Leung Ho Yu1,2, Keith Wan-Hang Chiu3,4,5, Jianliang Lu6
1Department of Computer Science, The University of Hong Kong, Hong Kong, China.
JHEP reports : innovation in hepatology
|December 17, 2024
概括
深度学习模型,包括空间时空3D卷积网络 (ST3DCN),在CT扫描上在诊断肝细胞癌 (HCC) 方面表现强. 这项技术可以改善早期检测和管理HCC,一种具有高死亡率的疾病.
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:
- 肝细胞癌 (HCC) 的死亡率很高.
- 肝脏成像报告和数据系统 (LI-RADS) 经常产生不确定的观察结果,使HCC的准确诊断变得复杂.
- 需要提高HCC检测的诊断准确度.
研究的目的:
- 开发和评估深度学习模型,用于使用计算机断层扫描 (CT) 图像诊断HCC.
- 将深度学习模型的诊断性能与标准放射学解释进行比较.
- 评估深度学习在HCC诊断中的稳定性和临床适用性.
主要方法:
- 开发了四种深度学习模型,使用培训-验证-测试方法对薄片三相CT肝脏图像和临床数据进行了测试.
- 空间时空3D卷积网络 (ST3DCN) 被确定为表现最好的模型.
- 通过内部验证和独立的外部测试来评估诊断性能,通过12个月的临床复合参考标准来验证HCC诊断.
主要成果:
- 在内部验证过程中,ST3DCN模型在观察水平上达到0.919的接收器运行特征曲线 (AUC) 下的面积,在患者水平上达到0.901.
- 与标准放射学解释相比,ST3DCN表现优越 (AUC分别为0.839和0.822).
- 在外部测试中,ST3DCN的AUC值为0.901,表明不低于放射性解释 (AUC0.900).
结论:
- ST3DCN深度学习模型表现出强大而稳健的性能,用于CT上的准确HCC诊断.
- 深度学习方法可以加快和增强HCC的诊断过程.
- 这些发现支持深度学习在临床上广泛应用的潜力,以改善HCC检测和降低死亡率.
