基于人工智能的胃癌大规模查来自非对比CT成像的CT成像

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 胃癌 (GC) 死亡率仍然很高,目前的查方法,如上部内镜,在资源有限,高患病率地区面临挑战.
• 现有的查协议存在低合规性和低于最佳的检测率,需要更高效的方法.
• 非对比计算断层扫描 (CT) 是一种常见的临床程序,它为大规模的机会性或设计性查提供了潜力.

研究的目的:

• 开发和验证人工智能 (AI) 工具,即用人工智能 (GRAPE) 进行胃癌风险评估程序,用于使用非对比CT扫描识别GC.
• 评估GRAPE在诊断解释方面与放射科医生相比的表现及其在现实世界机会性查场景中的有效性.

主要方法:

• GRAPE是使用深度学习在来自中国的大型队列 (3,470个GC和3,250个非GC病例) 上开发的.
• 在内部 (1298例,AUC=0.970) 和外部 (18,160例,AUC=0.927) 队列中验证了性能.
• 读者研究将GRAPE的解释与放射科医生进行了比较;现实世界的机会性查涉及78,593个非对比CT扫描.

主要成果:

• GRAPE的诊断准确度很高,AUC为0.970 (内部) 和0.927 (外部验证).
• GRAPE显著优于放射科医生,灵敏度提高了21.8%,特异性提高了14.0%,特别是在早期的GC.
• 在机会性查中,GRAPE确定了高风险个体,其GC检测率为24.5%和17.7%,其中很大一部分是早期 (T1/T2) 癌症.

结论:

• GRAPE提出了一种可行且有效的AI驱动的方法,用于大规模的胃癌查,使用非对比CT.
• 人工智能工具增强了早期检测能力,甚至可以识别放射科医生在例行查期间错过的病例.
• 通过机会性查,GRAPE具有显著的潜力,可以通过机会性查实现早期诊断,从而降低胃癌死亡率.