在日常实践中提升子宫内膜异位症检测:深度学习增强的多序MRI分析模型
Mana Moassefi1, Shahriar Faghani1, Ceylan Colak1
1Mayo Clinic, Rochester, USA.
Abdominal radiology (New York)
|April 15, 2025
概括
深度学习 (DL) 模型在使用多序MRI检测子宫内膜异位症方面表现有前途. 人工智能协助改善了放射科医生的准确性和一致性,以确定这种常见的疾病.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 妇女健康 妇女健康
背景情况:
- 子宫内膜异位症影响5-10%的生育年龄妇女,这给诊断带来了挑战.
- 深度学习 (DL) 提供了改善医学诊断的潜力.
- 精确的成像对于子宫内膜异位症的检测和管理至关重要.
研究的目的:
- 评估深度学习 (DL) 工具,以提高多序MRI在子宫内膜异位症检测中的准确性.
- 为了比较DL模型的性能与经验丰富的放射科医生.
主要方法:
- 395名子宫内膜异位症患者和356名对照患者的队列接受了多序MRI (T1W FS,T2W).
- 一个3D-DenseNet-121 DL模型经过训练和测试,使用患者级别的分割 (12.5%的测试组).
- 七名放射科医生和一名同事审查了有和没有人工智能协助的图像.
主要成果:
- 这款DL型号实现了高性能 (F1评分为0.881,AUROCC为0.911).
- 人工智能辅助使放射科医生的灵敏度从84.48%提高到87.93%,以及读者之间的一致性 (Fleiss' kappa从0.5718提高到0.6839).
- 多序MRI (T2W,T1W FS前/后对比) 产生了最准确的预测.
结论:
- 这项研究介绍了第一个DL模型,用于在大型队列中基于多序MRI检测子宫内膜异位症.
- DL模型的性能与训练有素的人类阅读器相当.
- 人工智能工具可以显著帮助放射科医生诊断子宫内膜异位症.
