多式人工智能使用内镜USG,CT和MRI来区分血清和粘性囊性新生体

科学领域:

• 胃肠病学 胃肠病学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 血清性囊性瘤 (SCN) 和粘膜性囊性瘤 (MCN) 呈现出类似的成像特征,使单一模式的诊断复杂化.
• 当前的人工智能 (AI) 模型在使用单模成像来区分SCN和MCN方面表现有前途,但诊断性能需要改进.
• 多模式成像技术如CT,MRI和EUS传统上用于SCN和MCN的分化.

研究的目的:

• 为了比较AI在SCN和MCN分类中的诊断效果,使用多式成像与单式成像.
• 评估AI的性能,使用EUS,CT和MRI的组合来对胰腺囊进行分类.

主要方法:

• 对25名SCN和24名MCN患者的成像数据的回顾性分析.
• 使用了四种成像模式 (EUS,CT,MRI,MR胰腺学),数据增强创建了每种模式的39,200张图像.
• 一个基于ResNet的AI模型被训练在单个和组合的模式,结果与五位经验丰富的胃肠科医生进行了比较.

主要成果:

• 随着每种额外的成像模式,人工智能性能都得到改善:单次 (90.8%准确度),双次 (94.9%准确度),三次 (97.0%准确度) 和全部四次 (99.0%准确度).
• 使用所有四种模式的AI实现了98.0%的灵敏度和100%的特异性,明显超过人类专家 (81.0%的准确性).
• 人工智能模型在所有指标 (灵敏度,特异性,准确性) 上始终超过专家的表现.

结论:

• 人工智能利用多式联络成像显著提高了SCN和MCN的分类准确性.
• 与单模人工智能和经验丰富的临床医生相比,多模人工智能表现出优越的诊断性能.
• 这项研究强调了人工智能在改善胰腺囊性瘤的差分诊断方面的潜力.