在鼻反向乳头瘤中恶性转变的术前预测:一种基于MRI的新型深度学习方法

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 鼻腔逆转乳头瘤 (SIP) 具有高危恶性转变为状细胞癌 (SIP-SCC) 的风险,往往导致预后不佳.
• 目前用于区分SIP和SIP-SCC的诊断方法具有侵入性和缺乏准确性,强调需要有效的手术前评估.
• 准确的手术前分化对于指导治疗策略和改善患者结果至关重要.

研究的目的:

• 开发和验证基于MRI的新型深度学习 (DL) 诊断模型,用于SIP与SIP-SCC的手术前区分.
• 利用多中心,大样本数据,以确保开发的DL模型的稳定性和通用性.
• 评估DL模型对放射科医生的诊断性能的影响.

主要方法:

• 分析了来自四个中心的568名确诊SIP (n=421) 和SIP-SCC (n=147) 的患者队列.
• 使用各种MRI序列 (T1WI,T2WI,CE-T1WI) 构建深度学习模型,通过注意力机制集成特征的组合模型.
• 用ROC分析,校准曲线和决策曲线分析 (DCA) 评估模型性能,并与放射科医生的性能进行比较.

主要成果:

• 综合DL模型实现了高诊断性能,AUC为0.954 (训练),0.897 (内部验证) 和0.859 (外部验证).
• 该模型表现出卓越的准确性,稳定性和临床实用性,由Brier分数和校准曲线证明.
• 放射科医生,特别是经验较少的放射科医生,在DL模型的帮助下显著改善了诊断性能.

结论:

• 开发的基于MRI的DL模型有效地提高了在鼻逆转乳头瘤中恶性转变的术前诊断.
• 这种非侵入性工具有助于更早,更准确的诊断,通过及时干预,可能改善患者的预后.
• 该模型提供了一个有价值的工具,用于个性化治疗规划,在鼻逆向乳头瘤的情况下.