深度学习放射学Nomogram基于MRI区分边缘性卵巢瘤和I期卵巢癌:一个多中心研究
Xinyi Wang1, Tao Quan2, Xiao Chu1
1Department of Radiology, the Affiliated Suzhou Hospital of Nanjing Medical University, Suzhou Municipal Hospital, Gusu School, Nanjing Medical University, Suzhou, Jiangsu, China (X.W., X.C., Y.C., S.C., M.W.).
Academic radiology
|January 15, 2025
概括
一个新的深度学习放射学名图 (DLRN) 准确地区分了边缘性卵巢瘤和早期卵巢癌,使用MRI. 这种人工智能工具对改善妇科瘤学手术前诊断和临床决策充满希望.
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:
- 在手术前区分边缘性卵巢瘤 (BOT) 与第一阶段上皮性卵巢癌 (EOC) 是一个挑战.
- 准确的手术前分化对于适当的患者管理和手术规划至关重要.
研究的目的:
- 开发和验证使用T2加权MRI的深度学习放射学名图 (DLRN).
- 在手术前评估DLRN在区分BOT和I阶段EOC方面的有效性.
主要方法:
- 一项回顾性多中心研究包括279名患者.
- 通过整合深度学习,内和周围放射学以及临床预测因素,构建了一个DLRN.
- 模型使用10倍交叉验证和外部测试集进行了验证.
主要成果:
- 在交叉验证中,DLRN实现了0.825±0.082的接收器运行特征曲线 (AUC) 下的最高面积.
- 在外部测试中,DLRN (AUC=0.819) 显著优于临床模型 (0.708) 和原始放射学模型 (0.670).
- 与原始放射学模型相比,联合放射学模型也显示出更高的性能 (AUC=0.778对比0.670).
结论:
- 开发的DLRN在BOT与I阶段EOC的手术前分化方面表现强.
- 这种人工智能驱动的方法有可能帮助临床医生为卵巢瘤管理做出明智的决定.
