非增强型CT深度学习模型,用于区分肺腺癌和结核病:一个多中心诊断研究

科学领域:

• 医疗成像中的人工智能
• 在瘤学瘤学.
• 肺部病理学 肺部病理学

背景情况:

• 区分肺腺癌 (LUAD) 和结核瘤 (TBM) 对于有效的患者管理至关重要.
• 传统的诊断方法可能具有挑战性,需要先进的计算工具.
• 深度学习模型有可能提高医学图像分析的准确性.

研究的目的:

• 开发和验证一个深度学习模型,利用三维 (3D) 特性 (DL_3D) 来区分LUAD与TBM.
• 将DL_3D模型的诊断性能与2D深度学习 (DL_2D),放射学和人类专家放射学家进行比较.

主要方法:

• 使用了来自三个医院的1160名患者的数据集.
• 一个基于视觉变压器网络的DL_3D模型被训练并对验证和外部测试集进行了评估.
• 使用接收器运行特征曲线 (AUC) 下的面积来评估性能.

主要成果:

• DL_3D模型在验证 (AUC,0.895) 和外部测试集 (AUC,0.913) 中都取得了出色的诊断性能.
• 在测试组中,DL_3D显著优于DL_2D (AUC,0.804),放射学 (AUC,0.676) 和六名放射学家 (AUC,0.692-0.810).
• 在与DL_2D和放射学进行比较时,p值<0.001证实了统计显著性.

结论:

• 开发的DL_3D模型在与现有方法和专家放射科医生相比,在区分LUAD和TBM方面表现出卓越的诊断能力.
• 这种先进的AI工具可以帮助临床医生对肺病变进行更精确的诊断和个性化治疗计划.
• 这些发现突显了3D深度学习在非增强型CT成像中的潜力,用于肺病学中的复杂差异诊断.