基于对比增强的CT深度学习模型有助于进行胸膜上皮瘤手术前风险分类
Xuhui Zhao1, Lingyu Zhang2, Li Liang2
1Department of Medical Imaging, Shanxi Provincial People's Hospital Affiliated to Shanxi Medical University, Taiyuan, Shanxi, China.
Frontiers in oncology
|August 18, 2025
概括
一种使用对比增强计算机断层扫描 (CT) 的深度学习 (DL) 模型有效地帮助放射科医生对胸膜上皮瘤 (TETs) 的风险分层进行分层. 这种人工智能工具显著提高了诊断准确度,特别是对于初级放射科医生来说.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 胸膜上皮瘤 (TETs) 需要准确的风险分层,以实现最佳的患者管理.
- 目前的方法可能无法完全捕捉瘤攻击性的细微差别.
- 深度学习 (DL) 提供了增强诊断能力的潜力.
研究的目的:
- 开发和评估一个DL模型,用于TET的风险分层,使用对比增强CT.
- 为了比较DL模型的性能与传统的放射学和人类专家的性能.
- 评估DL辅助对放射科医生的诊断准确性的影响.
主要方法:
- 对266名经组织病理学确认的TET患者进行了回顾性分析.
- 开发和评估六个DL模型 (例如ResNet 101) 和一个放射支持矢量机 (SVM) 模型.
- 评估放射科医生的表现,有或没有DL模型的协助.
主要成果:
- 在外部验证中,ResNet 101 DL模型比放射性模型取得了更高的性能 (AUC 0.876).
- DL模型显著改善了初级放射科医生的诊断性能 (AUC 0.822),接近高级放射科医生的水平 (AUC 0.859).
- DL模型在风险分层方面表现出高准确度,灵敏度和特异性.
结论:
- 使用对比度增强CT的DL模型可以可靠地协助TET的手术前风险分层.
- 人工智能协助弥合了初级和高级放射科医生之间的绩效差距.
- 这项技术支持TET管理的临床决策.
