评估一种深度学习细分工具,以帮助在患有多发性硬化症的人群中通过结合T2和STIR获取来检测脊髓病变
Baptiste Lodé1,2, Burhan Rashid Hussein2, Cédric Meurée2
1Department of Neuroradiology, Rennes University Hospital, Rennes, France.
European radiology
|April 4, 2025
概括
一个新的深度学习工具显著提高了临床医生在检测脊髓 (SC) 多发性硬化症 (MS) 病变方面的灵敏度. 这种基于人工智能的方法有助于在不降低精度的情况下识别T2和STIR序列上的SCMS病变.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 神经学 神经学
背景情况:
- 多发性硬化症 (MS) 脊髓 (SC) 病变是频繁且具有预后意义的.
- 精确检测SCMS病变对于患者管理至关重要.
- 目前的临床实践缺乏用于SCMS病变检测的自动化工具.
研究的目的:
- 开发一种深度学习 (DL) 模型,用于检测 SC MS 病变,使用角 T2 和 STIR 序列.
- 评估这个DL模型是否能提高临床医师在识别SCMS病变方面的性能.
主要方法:
- 使用来自法国MS注册表 (OFSEP) 的SC MRI数据创建了一个DL工具.
- 一项多读者研究比较了20名临床医生使用和不使用DL工具的表现.
- 灵敏度,精度和读者间的变异性被评估与专家定义的地面真相相对比.
主要成果:
- 使用DL工具的临床医生对SC病变检测的平均灵敏度有所改善 (74.3%至79.2%).
- 在平均精度方面没有发现显著差异 (69.0%与70.1%).
- 读者之间的变异性显示了该工具的轻微,非统计学上显著的改善 (Kappa 0.55 vs 0.60).
结论:
- 一个基于DL的工具可以提高临床医生在检测SCMS病变方面的敏感性.
- 该工具有助于在通常使用的T2和STIR序列上识别病变,而不会影响精度.
- 这种人工智能工具显示出在诊断多发性硬化症患者中临床应用的潜力.
