一个可解释的深度学习模型用于使用多参数MRI进行焦点肝损伤诊断
Zhehan Shen1,2, Lingzhi Chen3, Lilong Wang3
1Department of Radiology, Ruijin Hospital, Shanghai Jiao Tong University School of Medicine, No. 197 Ruijin 2nd Rd, Huangpu District, Shanghai 200025, China.
Radiology. Artificial intelligence
|September 10, 2025
概括
使用多参数MRI的新型深度学习模型显著提高了放射科医生在分类焦点肝病变 (FLLs) 的准确性和效率. 这种人工智能工具提高了诊断性能,特别是对于初级放射科医生.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 机器学习用于医疗保健
背景情况:
- 焦点性肝病变 (FLLs) 需要准确的分类,以便有效的患者管理.
- 多参数MRI为FLL表征提供了丰富的数据.
- 深度学习为复杂的医学成像数据的自动分析提供了潜力.
研究的目的:
- 通过使用多参数MRI特征来评估FLL分类的可解释深度学习模型.
- 评估模型对放射科医生的诊断准确性和效率的影响.
主要方法:
- 开发nn-Unet用于细分和肝脏成像特征变压器,用于从多参数MRI进行FLL (≥1厘米) 的分类.
- 跨多个机构的追溯和前性验证.
- 模型辅助放射科医生的性能与无辅助读数的比较.
主要成果:
- 在测试组中具有高的细分精度 (Dice:0.98用于肝脏,0.96用于瘤) 和分类精度 (93-97%).
- 模型辅助导致初级放射科医生诊断准确度增加5.3% (P < .001).
- 辅助阅读减少了34.5秒的阅读时间 (P < .001) 和增加了信心 (P < .001).
结论:
- 可解释的深度学习模型在检测和分类FLL方面表现出高准确性.
- 人工智能辅助口译显著提高了放射科医生的诊断准确性和效率,特别是初级放射科医生.
- 这种方法有望改善临床实践中的FLL诊断.
