放射学和深度学习的多中心评估,以分层IPMNs恶性瘤风险

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 胃肠病学 胃肠病学

背景情况:

• 从低风险病变区分需要手术的高风险导管内 papillary 粘膜瘤 (IPMNs) 是一个重要的临床挑战.
• 目前胰腺囊的诊断方法缺乏特异性,导致潜在的不必要的手术干预.
• 在胰腺癌中存在人工智能应用,但IPMNs的囊水平风险分层尚未得到充分探索.

研究的目的:

• 评估人工智能 (AI) 的可行性,以使用T2WMRI的囊水平图像特征来预测IPMN发育不良等级.
• 为了比较2D和3D放射学,深度学习 (DL) 和放射学-DL融合模型与专家放射学家的性能.

主要方法:

• 一项涉及七个中心和359张IPMN的T2WMRI图像的多机构研究.
• 开发和比较仅使用放射学,仅使用DL和放射学-DL融合AI模型.
• 使用持有测试数据评估模型性能,以专家放射科医生评分为基线.

主要成果:

• 放射学-DL融合模型在测试组中实现了最高的分辨能力,曲线下的面积 (AUC) 为0.692.
• 融合模型的表现优于仅使用放射学模型 (AUC 0.665) 的表现,并显示了可变的专家放射科医生的精度 (37.4%-66.7%).
• 人工智能融合模型与仅使用放射学模型和个人专家放射学家相比,表现优越.

结论:

• 从T2W MRI中整合深度学习和放射学特征的AI融合模型显示了对IPMN客观,囊级风险分层的潜力.
• 这种方法提供了一个可扩展的,非侵入性的方法,可以提高胰腺囊的诊断准确度.
• 单独临床使用需要进一步提高性能,但该模型可能有助于减少不必要的手术.