在腹部计算机断层扫描上基于深度学习的胆囊癌细分:一个多中心研究
Pankaj Gupta1,2, Niharika Dutta3, Ajay Tomar4
1Post Graduate Institute of Medical Education and Research, Chandigarh, India. Pankajgupta959@gmail.com.
Abdominal radiology (New York)
|April 1, 2025
概括
作为2D细分模型的MedSAM在CT扫描中自动细分胆囊癌 (GBC) 方面表现出卓越的性能. 这种人工智能模型在内部和外部验证数据集中实现了最高的准确性,超过了3D模型.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 胆囊癌 (GBC) 的诊断和治疗计划依赖于准确的成像.
- 从CT扫描中对GBC病变的自动细分可以提高效率和一致性.
研究的目的:
- 训练和验证深度学习模型,用于从对比度增强的CT图像中自动细分GBC.
- 为了比较用于GBC检测的各种2D和3D细分模型的性能.
主要方法:
- 从317名患者的对比度增强CT扫描进行了回顾性分析,用于培训和验证.
- 在内部 (n=29) 和外部 (n=85) 数据集上测试包括MedSAM,3D TransUNet和3D-nnU-Net在内的模型.
- 使用子得分和交叉点对联盟 (IoU) 对手动细分的性能评估.
主要成果:
- 2D细分模型通常表现优于3D模型.
- MedSAM获得了最高的子得分 (0.776内部,0.763外部) 和IoU得分 (0.653内部,0.637外部).
- 细分性能与GBC形态没有关联,也没有与病变大小有很强的相关性.
结论:
- 使用深度学习模型,可以实现GBC的自动细分.
- 基于2D提示符的基础模型MedSAM展示了GBC细分的最佳性能.
- 这项研究验证了AI模型在多种多中心数据集上的有效性.


