深度学习模型用于通过CT图像对鼻和倒置乳头瘤进行差异诊断:一项多中心研究
Yaqi Wang1, Fengjie Liu2, Haicheng Zhang3
1Department of Otorhinolaryngology, Head and Neck Surgery, Yantai Yuhuangding Hospital, Qingdao University, Yantai, China (Y.W., P.Y., J.W., Z.Z., G.W., Y.Z., Y.Y., Y.M., X.S.); Shandong Provincial Clinical Research Center for Otorhinolaryngologic Diseases, Yantai Yuhuangding Hospital, Yantai, China (Y.W., P.Y., J.W., Z.Z., G.W., Y.Z., Y.Y., Y.M., X.S.); Yantai Key Laboratory of Otorhinolaryngologic Diseases, Yantai Yuhuangding Hospital, Yantai, China (Y.W., P.Y., J.W., Y.Z., Y.Y., Y.M., X.S.).
Academic radiology
|December 27, 2024
概括
一个深度学习模型使用CT扫描有效地区分鼻和逆向乳头瘤. 这种人工智能工具提高了放射科医生的准确性,改善了对这些良性鼻瘤的诊断.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 耳鼻喉科 耳鼻喉科 耳鼻喉科
背景情况:
- 鼻 (NP) 和逆转乳头瘤 (IP) 是不同的良性鼻瘤,需要不同的治疗.
- 准确区分NP和IP对于适当的临床管理至关重要.
研究的目的:
- 评估深度学习 (DL) 模型在使用计算机断层扫描 (CT) 图像区分NP和IP方面的有效性.
- 将DL模型的诊断性能与放射科医生的诊断性能进行比较.
主要方法:
- 对1791名患有良性鼻瘤的患者进行了回顾性分析.
- 在CT图像上开发和测试DL模型 (3D ResNet,3D Xception,HRNet).
- 使用ROC分析评估模型性能,准确性,灵敏性和特异性.
- 与放射科医生对DL模型性能进行比较,并评估性能提升.
主要成果:
- 3D Xception DL模型在训练,内部和外部测试集中表现出高AUC值的卓越性能.
- DL模型实现了比个人放射科医生更高的灵敏度和特异性.
- 整合DL模型改善了放射科医生的平均灵敏度和特异性.
- 蛋白质组分析表明DL模型预测和上皮细胞分化之间存在相关性.
结论:
- 使用CT成像的深度学习模型显示了区分NP与IP的巨大潜力.
- DL模型可以作为一种有价值的工具来增强临床医生对鼻瘤的诊断能力.
