自主监督学习模型整合平面和对比增强CT用于手术前识别性胆囊炎:多中心回顾性队列研究
Qingping Guo1,2,3,4, Yue Li5, Yuhong Huang6
1Division of Hepatobiliary Surgery, The First Affiliated Hospital of Guangxi Medical University, Nanning, Guangxi, China.
International journal of surgery (London, England)
|August 22, 2025
概括
一个新的自我监督学习 (SSL) 模型使用CT扫描准确预测性胆囊炎 (GC). 这种人工智能工具有助于早期诊断这种严重的胆囊疾病的风险分层.
科学领域:
- 医疗成像中的人工智能
- 放射学和诊断成像
- 医疗保健中的机器学习
背景情况:
- 癌性胆囊炎 (GC) 是急性胆囊炎的一个严重并发症.
- 在手术前诊断GC是传统成像的挑战.
- 需要新的AI方法来改善GC检测.
研究的目的:
- 开发一个自我监督学习 (SSL) 模型,用于手术前识别GC.
- 用未增强的和对比增强的CT图像进行GC预测.
- 为了提高诊断的准确性超越传统方法.
主要方法:
- 对1228名患者的7368张CT扫描进行了回顾性分析.
- 在未标记和标记的CT数据上培训SSL模型 (seResNet-50框架).
- 融合模型与增强CT (ECT) 和非增强CT (NECT) 模型的比较.
主要成果:
- 融合SSL模型实现了高性能:AUC为0.965 (培训),0.879 (验证I),0.887 (验证II).
- 在验证组中,融合模型显著优于ECT和NECT模型.
- 该模型发现了微妙的变,有助于临床决策.
结论:
- 一个融合SSL模型有效预测手术前使用CT扫描.
- 该模型对于早期GC诊断具有显著的临床适用性.
- 这种人工智能工具支持及时对GC患者进行风险分层.
更多相关视频
04:01Indocyanine Green-Guided Intraoperative Imaging to Facilitate Video-Assisted Retroperitoneal Debridement for Treating Acute Necrotizing Pancreatitis
Published on: September 8, 2022
2.6K
03:38Unilateral Lung Volume Analysis Using Micro-CT for Enhanced Assessment of Pulmonary Fibrosis in Preclinical Models
Published on: June 20, 2025
322
