识别脊髓转移的主要部位:专家衍生特征与ResNet50模型使用非增强型MRI
Ke Liu1, Jinlai Ning2, Siyuan Qin1
1Department of Radiology, Peking University Third Hospital, Beijing, China.
Journal of magnetic resonance imaging : JMRI
|January 27, 2025
概括
使用非对比MRI的人工智能 (AI) 有助于诊断脊髓转移. 专家衍生特征 (EDF) 模型的准确性高于深度学习 (DL) 模型,提高了初级瘤识别的诊断效率.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 脊髓转移影响超过30%的实体瘤患者,需要有效的初级瘤识别.
- 目前用于脊髓转移的诊断方法可能是资源密集的.
研究的目的:
- 开发和验证人工智能 (AI) 模型,用于识别使用非对比MRI的脊髓转移的主要部位.
- 为了提高脊髓转移检测的诊断效率.
主要方法:
- 对514名病理确认脊髓转移的患者进行了回顾性研究.
- 开发和测试专家衍生特征 (EDF) 模型和深度学习 (DL) ResNet50模型,使用非对比MRI (T1加权,T2加权,脂肪抑制T2).
- 使用准确度,精度,回忆度,F1分数和ROC-AUC的性能评估;通过t测试,曼·惠特尼U,奇平方和德龙测试进行统计分析.
主要成果:
- 电力发电模型在前三位准确度 (0.88对0.69) 和AUC (0.80对0.71) 中表现优于DL模型.
- 对于常见的部位 (例如,脏F1:0.94与0.76),EDF模型的性能更好,而DL模型对罕见的部位 (例如,甲状腺0.80与0.20) 的回忆率更高.
- 沙普利添加式扩张 (SHAP) 确定了性别,年龄,T1WI信号强度和病理骨折作为关键预测特征.
结论:
- 应用于非对比MRI的AI技术可以显著提高脊髓转移的诊断效率.
- 专家衍生特征 (EDF) 模型对该应用程序的深度学习 (DL) 模型相比,具有更大的临床潜力.
