开发和验证一个深度学习算法,以区分质瘤复发从MRI上的辐射死

科学领域:

• 神经瘤学神经瘤学
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 在放射治疗后区分质瘤复发与放射性亡对于患者管理至关重要.
• 当前的诊断方法可能具有挑战性,需要改进的工具来准确区分.

研究的目的:

• 开发和验证深度学习 (DL) 方法,用于自动区分质瘤复发和辐射亡.
• 为此诊断任务使用常规磁共振成像 (MRI) 数据.

主要方法:

• 在放射治疗后对234名怀疑出现复发性病变的患者进行了回顾性分析.
• 获得常规的3D-MRI扫描 (T1加权,T2加权,T1ce).
• 应用各种卷积神经网络 (CNN) 模型用于特征学习和分类.

主要成果:

• ResNet10模型实现了高性能:灵敏度为0.78,特异性为0.94,精度为0.91,AUC为0.83.
• MresNet模型显示出优异的特异性 (0.980) 但较低的灵敏度 (0.56).
• Vgg16模型显示灵敏度为0.56,特异性为0.94,精度为0.88,AUC为0.70.

结论:

• 该ResNet10 CNN模型显示了临床应用的重大前景,用于区分质瘤复发与辐射死.
• 这种人工智能驱动的方法提高了使用标准MRI扫描的诊断准确性.
• 改善诊断能力可以导致更有效的患者管理策略.