一个深度学习模型用于CT图像上的冠状腺瘤的分类
Felix G Gassert1,2, Daniel Lang3,4, Nina Hesse5
1Department of Radiology and Biomedical Imaging, University of California San Francisco, 505 Parnassus Ave, San Francisco, CA, 94143, USA.
BMC cancer
|March 29, 2025
概括
一个新的深度学习模型 (DLM) 可以准确地分类淋巴体瘤,在CT扫描上区分良性淋巴体瘤和恶性高级淋巴体瘤. 在改善这些具有挑战性的骨瘤的诊断准确度方面,DLM显示出希望.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
- 在瘤学瘤学.
背景情况:
- 准确区分冠状腺瘤对于患者管理至关重要.
- 染色体,非典型的软骨瘤 (ACT) 和高等级的染色体瘤需要不同的治疗策略.
- 仅基于CT图像来区分这些瘤可能具有挑战性.
研究的目的:
- 开发和验证一种深度学习模型 (DLM) 用于使用CT图像对色体,ACT和高等级色体进行分类.
- 为了比较DLM的表现与经验丰富的放射科医生在区分这些软骨瘤的表现.
- 评估DLM在临床决策中的实用性,用于冠状腺瘤诊断.
主要方法:
- 从两个独立的队列 (共344名患者) 进行CT扫描的回顾性分析.
- 开发和测试2D卷积神经网络 (CNN),采用分割样本和地理验证.
- 在外部测试数据集上,与四位不同经验水平的放射科医生对DLM性能进行比较.
主要成果:
- DLM在区分异构体与异构体瘤方面取得了0.88的AUC,在区分异构体与异构体瘤方面达到0.82,在区分异构体与异构体瘤方面达到0.82.
- 在区分良性和恶性软骨瘤方面,DLM的表现与放射科医生 (p > 0.05) 相似.
- DLM和专家放射科医生在区分ACT与高等级冠状腺瘤 (AUC0.64对0.56) 中表现相似.
结论:
- 开发的DLM可靠地区分良性与恶性软骨瘤.
- DLM 特别有用在区分 ACT 与混凝土瘤,这是一个常见的诊断挑战.
- 区分ACT与高等级冠状腺瘤仍然很困难,这突出了放射学中持续存在的诊断挑战.

