在MRI上检测肌肉侵入性膀癌时,具有弱体验指导的基础模型
Yu Gong1, Xiaodong Zhang2, Yi-Fan Xia1
1Department of Radiology, The First Affiliated Hospital of Nanjing Medical University, Nanjing, Jiangsu Province, 210029, PR China.
Cancer letters
|January 4, 2025
概括
一个新的深度学习模型 - - 膀成像网络 (ViNet) - - 使用MRI精确检测肌肉侵入性膀癌 (MIBC). 维网改进了现有方法,为手术前诊断提供了一个有前途的工具.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 在手术前检测肌肉侵入性膀癌 (MIBC) 是具有挑战性的.
- 当前的成像技术可能并不总是为确定的诊断提供足够的准确性.
研究的目的:
- 开发和验证一个深度学习模型,囊膜成像网络 (ViNet),用于MIBC检测.
- 在多中心队列中使用高分辨率T2加权MR成像 (hrT2WI) 评估ViNet的性能.
- 评估ViNet与膀成像报告和数据系统 (VI-RADS) 结合的临床实用性.
主要方法:
- 采用了经过修改的3D ResNet架构 (ViNet),通过自我监督学习预训练编码器层.
- 使用nnUNet生成的细分口罩对分类模块的监督很弱.
- 该模型在衍生队列上进行了训练,并在三个外部多中心队列中进行了验证.
- 为模型选择和性能评估,进行了多重剥离试验.
- 通过比较VI-RADS与ViNet调整的VI-RADS得分来评估临床益处.
主要成果:
- 在内部验证中,ViNet与hrT2WI显著优于剥离试验模型 (OR,7.41对1.85-2.70;P<0.05).
- 外部验证显示ViNet的性能异质但有前途 (OR,1.31-3.89).
- 经过ViNet调整的VI-RADS正确地重新分类了VI-RADS最初错过的62.9%的MIBC病例.
- 经ViNet调整的VI-RADS降低了62.5%-84.1%的非肌肉侵入性膀癌 (NMIBC) 病例,这些病例被VI-RADS高估了.
结论:
- 维网显示出作为使用hrT2WI的MIBC替代诊断工具的巨大潜力.
- 该模型显示,与传统的VI-RADS评分相比,在区分MIBC和NMIBC方面的准确性提高了.
- 在手术前的膀癌评估中,ViNet集成提供了一个有前途的进步.
