一个基于T2WI的高分辨率深度学习模型,用于T2和T3直肠癌之间的手术前歧视:一个多中心研究
Yanmei Lin1, Ying Liu2, Xiao Zhang3
1Department of Radiology, The First Affiliated Hospital of Chengdu Medical College, Chengdu, Sichuan, China (Y.L., Y.L., F.H.); Department of Radiology, the Second Affiliated Hospital of Chengdu Medical College, Chengdu, Sichuan, China (Y.L.).
Academic radiology
|April 12, 2025
概括
使用T2加权图像的深度学习 (DL) 模型显示,与放射科医生相比,在区分T2和T3直肠癌 (RC) 阶段方面具有更高的准确性. 这种人工智能方法可以增强术前分期,并帮助直肠癌患者的治疗决策.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 准确的直肠癌 (RC) 术前分期对于有效的治疗计划至关重要.
- 区分T2和T3阶段的RC是具有挑战性的,但对于选择适当的治疗策略至关重要.
- 目前的放射性评估可能在精度上有局限性,影响患者管理.
研究的目的:
- 开发和评估一种深度学习 (DL) 模型,用于使用高分辨率T2加权MRI进行T2和T3阶段直肠癌 (RC) 的术前分化.
- 将DL模型的诊断性能与经验丰富的放射科医生进行比较,以对RC瘤入侵深度进行分类.
主要方法:
- 一项追溯性研究涉及281名病理确诊RC患者.
- 开发一个DenseNet深度学习模型,在来自三个中心的数据上进行训练,并在来自第四个中心的数据上进行外部验证.
- 两个经验丰富的放射科医生对T分期的独立评估;使用精度,灵敏度,特异性和AUC对DL模型和放射科医生的性能进行比较.
主要成果:
- 与放射科医生 (AUC 0.493-0.625) 相比,DL模型在区分T2和T3RC阶段方面显著优于放射科医生,达到较高的AUC值 (0.810在训练中,0.715在外部测试组中).
- 与放射科医生 (T2: 0.373-0.526; T3: 0.611-0.783) 相比,DL模型在T2 (0.625-0.787) 和T3 (0.611-0.814) 阶段测定方面都显示出更高的精度.
- 放射科医生表现出T2瘤过度发展的趋势,观察者之间的一致程度中等 (kappa=0.451).
结论:
- 与人类专家相比,基于DenseNet的深度学习模型在术前T2/T3期直肠癌分化方面提供了更高的准确性和诊断效率.
- 这种人工智能驱动的方法具有显著的潜力,可以提高直肠癌分期的准确性.
- 自动化DL模型可以作为一个有价值的工具,以支持临床决策在直肠癌治疗规划.
