集成的放射学和深度学习模型用于识别骨髓海绵结石
Yubao Liu1, Haifeng Song1, Daxun Luo1
1Department of Urology, Beijing Tsinghua Changgung Hospital, School of Clinical Medicine, Tsinghua University, Beijing, China.
Frontiers in medicine
|August 11, 2025
概括
这项研究开发了一种新型的诊断模型,将放射学和深度学习集成在一起,用于区分髓海绵结石 (MSK). 组合模型实现了高精度,改善了石患者的临床决策.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 骨髓海绵 (MSK) 是一种罕见的先天性异常,通常与结石病有关.
- 在手术前区分MSK结石与其他结石在临床上具有挑战性.
- 准确的区分对于有效的患者管理和治疗规划至关重要.
研究的目的:
- 开发和验证一种新的诊断模型,以改善MSK石的分化.
- 整合CT成像中的放射学和深度学习功能,以提高诊断准确度.
- 评估拟议的诊断模型的临床实用性.
主要方法:
- 对73名多重结石患者 (34名MSK,39名非MSK) 的回顾性单中心研究.
- 从CT图像中提取放射学特征和使用ResNet101.1.使用深度学习特征.
- 开发了Radiomics (Rad),深度转移学习 (DTL),深度学习Radiomics (DLR) 和一个整合临床变量的组合模型.
主要成果:
- 深度学习放射学 (DLR) 签名实现了高诊断准确性 (在训练和测试集中的AUC为0.96).
- 综合模型整合了DLR特征和临床变量,进一步提高了性能 (AUC 0.98训练,0.95测试).
- 校准曲线,NRI和IDI分析证实了DLR和组合模型的优越预测能力.
结论:
- 一个创新的诊断模型,结合放射学和深度学习,被开发为MSK石材差异化.
- 拟议的模型显示了高诊断准确性和显著的临床潜力.
- 这种方法为改善MSK结石手术前诊断提供了一个有希望的工具.
