一个深度学习的多类细分模型,使用对比增强的计算机断层扫描来细分和区分缺乏脂质的上腺节块:一个双中心研究
1Department of Radiology, State Key Laboratory of Complex Severe and Rare Disease, Peking Union Medical College Hospital, Peking Union Medical College, Chinese Academy of Medical Sciences, Beijing, China.
European radiology
|September 22, 2025
概括
一个新的深度学习模型,Mamba-USeg,在CT扫描上准确地细分并将上腺节结分为缺乏脂质的腺瘤 (LPA) 或结节性增生 (NH). 这种先进的AI工具的性能优于现有的方法,有助于临床决策,并可能减少不必要的手术.
科学领域:
- 医疗成像中的人工智能
- 深度学习用于放射学.
- 上腺腺病理学分类的分类
背景情况:
- 精确区分缺乏脂质腺瘤 (LPA) 和结节性增生 (NH) 对于适当的临床管理至关重要.
- 基于成像的上腺结节的分化是一个重大的临床挑战.
- 现有的方法可能缺乏可靠分类所需的精度.
研究的目的:
- 开发和评估一个深度学习模型,用于同时细分和分类上腺节块.
- 使用对比增强计算机断层扫描 (CECT) 图像,区分缺乏脂质的腺瘤 (LPA) 和结节性增生 (NH).
- 评估拟议模型的性能与已建立的深度学习架构相比.
主要方法:
- 一项回顾性双中心研究,涉及164名病理确诊LPA或NH的患者.
- 开发Mamba-USeg,一种基于状态空间模型 (SSM) 的新型多类细分方法.
- 性能评价使用平均子相似系数 (mDSC) 进行细分和敏感性/特异性进行分类.
主要成果:
- 曼巴-USeg实现了高细分性能,LPA的mDSC为0.869,NH的mDSC为0.863.
- 该模型在结节细分精度方面显著优于MultiResUNet和CPFNet (p <0.05).
- 分类显示高灵敏度 (LPA为95.3%,NH为94.2%) 和特异性 (LPA为92.7%,NH为91.5%).
结论:
- 在CECT图像上,Mamba-USeg模型准确地细分并将上腺节结分为LPA或NH.
- 与现有的深度学习方法相比,拟议的模型表现出卓越的性能.
- 这种人工智能工具可以显著帮助临床决策,可能减少不必要的手术干预.
