临床实施前庭性脑瘤自动细分:一个可靠性研究,比较人工智能和人类的性能
Stefan Cornelissen1,2, Sammy M Schouten3,4,5, Patrick P J H Langenhuizen3,6
1Gamma Knife Center, Department of Neurosurgery, Elisabeth-TweeSteden Hospital, Tilburg, Netherlands. stefan.cornelissen@etz.nl.
Neuroradiology
|April 4, 2025
概括
对前庭神经瘤 (VS) 的自动细分模型显示出不同的临床可靠性. 一个多中心模型显示了与人类可变性相比较的高可靠性,表明了潜在的临床用途.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 在MRI上静脉瘤 (VS) 的细分对于治疗规划至关重要.
- 正在开发自动化细分工具以提高效率和一致性.
- 评估这些工具的临床可靠性与人类的可变性相比,对于临床采用至关重要.
研究的目的:
- 评估自动化前庭神经瘤 (VS) 分段模型的临床可靠性.
- 为了比较单中心和多中心VS细分模型的性能与人类观察者之间的变化.
- 为了确定高几何细分精度是否转化为临床可靠性.
主要方法:
- 对1,015名患者的1,856个T1加权对比增强型MRI扫描进行了回顾性分析.
- 培训两种nnU-Net模型:一个单中心模型和一个多中心模型.
- 使用几何指标 (子分数) 的评估和通过与平均值 (LOAM) 程序一致的极限进行临床评估.
主要成果:
- 这两种模型都实现了高的几何精度 (子中位数得分>91%).
- 多中心模型的自动化量在73%的案例中处于人类同意的范围内,而单中心模型的比例为44%.
- 多中心模型的新协议极限与人类观察者之间的变异性相当.
结论:
- 优秀的几何指标并不能保证VS细分模型的高临床可靠性.
- 多中心模型显示出高可靠性和临床实施潜力.
- 在临床部署之前,临床评估至关重要,特别注意由于体积依赖性而对小型瘤的模型性能.
