深度学习T2WI预测肌肉侵入性膀癌:一个多中心临床研究

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:

• 肌肉侵入性膀癌 (MIBC) 需要准确的诊断才能进行有效的治疗计划.
• 目前的诊断方法,如VI-RADS,在特异性和灵敏度方面存在局限性.

研究的目的:

• 开发和验证一种深度学习 (DL) 模型,用于使用MRI预测MIBC.
• 评估DL模型在区分MIBC与非肌肉侵入性膀癌 (NMIBC) 的性能.

主要方法:

• 通过559名患者的T2WIMRI序列构建了一个DL模型 (Inception V3).
• 该模型使用了三通道输入:原始T2WI,细分膀和感兴趣的区域.
• 模型性能在验证,内部测试和外部测试集上进行了评估,并与VI-RADS评分进行了比较.

主要成果:

• 在不同数据集的MIBC预测中,DL模型实现了高精度 (高达92.4%) 和灵敏度 (高达94.7%).
• 外部验证显示准确率为81.6%,灵敏度为57.1%.
• DL模型表现出强的性能,特别是对于VI-RADS 5 (93.9%的准确性),并显示出作为VI-RADS 3的补充的承诺.

结论:

• 基于T2WI MRI的深度学习模型可以准确地预测MIBC.
• 开发的DL模型显示了作为一个有价值的工具来协助放射科医生MIBC诊断的潜力.
• 在更大,多样化的队列中进行进一步验证是有必要的,以确认其临床效用.