建议进行MRI检查的卵巢质量:基于非对比增强MRI序列的深度学习模型的评估,用于预测恶性瘤
Meijiao Jiang1, Chui Kong2, Siwei Lu1
1Department of Radiology, Xinhua Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China.
Abdominal radiology (New York)
|March 21, 2025
概括
四个深度学习模型有效地区分良性和恶性卵巢瘤,使用非对比的MRI. 这些人工智能工具在协助放射科医生方面表现有前途,ResNet50展示了强大的预测性能.
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:
- 卵巢瘤需要准确区分良性和恶性类型,以有效的患者管理.
- 非对比增强磁共振成像 (MRI) 是评估卵巢质量的关键方式.
- 深度学习 (DL) 模型有可能提高医学成像中的诊断准确性.
研究的目的:
- 为了比较四个深度学习模型的诊断效果,在使用非对比增强的MRI来区分良性和恶性卵巢瘤.
- 评估这些DL模型的性能与不同经验水平的放射科医生相比.
- 考虑与实施这些DL模型相关的开发成本.
主要方法:
- 一项回顾性研究包括了526名经组织病理学证实的卵巢质量患者.
- 四个DL模型 (ConvNeXt,FBNet,GhostNet,ResNet50) 在非对比增强的MRI数据集 (T1WI,T2WI,DWI) 上进行了训练和验证.
- 诊断性能使用包括AUC,准确性,灵敏度,特异性,正预测值 (PPV) 和负预测值 (NPV) 在内的指标进行评估,并与放射科医生的性能进行比较.
主要成果:
- DL模型实现了从0.8091到0.8572的AUC和从81.1%到85.5%的精度.
- ResNet50显示出最高的灵敏度 (78.3%) 和负预测值 (NPV) (87.3%),而ConvNeXt显示出优越的特异性和PPV (100%).
- 经验丰富的放射科医生获得了86.2%的准确率,超过了DL模型,而经验较少的放射科医生获得了69.2%的准确率. 幽灵网和FBNet提供了更好的参数效率.
结论:
- 深度学习模型在非对比增强的MRI上有效地区分良性和恶性卵巢瘤.
- 这些模型的性能与经验较少的放射科医生相当或超过,有助于临床决策.
- ResNet50展示了最强大的预测能力,而GhostNet提供了准确性和效率的平衡,突出了AI在卵巢瘤诊断中的潜力.
更多相关视频
08:55Murine Model for Non-invasive Imaging to Detect and Monitor Ovarian Cancer Recurrence
Published on: November 2, 2014
12.2K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
