基于对比增强超声波的AI模型用于聚焦肝病变的多重分类

科学领域:

• 医疗成像中的人工智能
• 肝病学和诊断放射学是肝病学和诊断放射学.
• 先进的超声波技术 超声波技术

背景情况:

• 准确的肝损伤 (FLLs) 多重分类对于有效的患者管理至关重要.
• 标准超声波对FLL缺乏诊断准确性,而对比增强超声波 (CEUS) 的性能取决于操作者.
• 现有的成像模式在可访问性和准确性方面存在挑战,特别是在资源有限的环境中.

研究的目的:

• 开发和评估基于CEUS的人工智能 (AI) 模型,称为Model-DCB,用于精确的FLL多重分类.
• 评估模型-DCB在多中心临床试验中的性能,将其与人类专家放射科医生进行比较.

主要方法:

• 来自52个中心 (2017-2023) 的3725个CEUS视频,生物标志物和临床数据的数据集被用于模型开发和测试.
• 模型-DCB是通过整合三个模块来构建的:疾病模块,生物标志物模块和临床模块.
• 通过将Model-DCB与CEUS初级和高级放射科医生和高级MRI放射科医生在三个外部测试集中进行比较,评估了性能.

主要成果:

• 模型-DCB在多中心外部测试套件中显示出高精度 (0.85-0.86),表现优于初级CEUS放射科医生 (0.59-0.73).
• 人工智能模型的性能与高级CEUS放射科医生 (0.79-0.85) 和高级MRI放射科医生 (0.82-0.86) 的性能相当.
• 亚组分析证实了在不同的人口,瘤和超声波设备特征中一致的准确性 (0.79-0.92).

结论:

• 基于CEUS的模型-DCB提供了精确的FLL多重分类,提供了可靠的诊断工具.
• 模型-DCB显示了广泛的临床应用的巨大潜力,特别有利于缺乏先进成像资源的服务不足人群.
• 人工智能模型可以增强诊断能力,使初级放射科医生能够在FLL分类中实现专家级别的性能.