终端到终端的深度学习模型用于诊断和细分原发性瘤:一个多中心队列研究

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:

• 由于其多样性,初级逆瘤 (PRNs) 存在诊断挑战.
• 目前还缺乏使用CT图像的PRNs的验证的多中心诊断模型.

研究的目的:

• 开发和验证REMIND (REtroperitoneal neoplasMs人工智能诊断),这是一个端到端的深度学习模型,用于PRN诊断和细分.
• 通过读者研究来评估REMIND的临床效用.

主要方法:

• 训练有素的REMIND对来自七种类型的606名PRN患者的追溯CT数据进行了训练.
• 该模型在11家医院的736名患者身上进行了外部验证,并在188名患者身上进行了前性验证.
• 与30名放射科医生进行了读者研究,以比较REMIND的性能与人类的解释.

主要成果:

• 在大多数瘤类型中,REMIND的预测准确度很高,AUC超过0.80.
• 顶级-1分类准确率为66% (培训),61% (外部) 和63% (前性).
• 细分任务的平均分数为0.75 (培训),0.72 (外部) 和0.73 (前性).
• 雷明德在分类准确性和改善的诊断准确性方面表现优于初级和主治放射科医生,并且当被用作助理时提高了诊断准确性.

结论:

• 雷明是PRN诊断和细分的先驱模式.
• 临床整合REMIND可以提高诊断准确性,预测确定性,并减少解释时间.
• 这项研究表明,人工智能有潜力改善放射科医生在诊断罕见和复杂的瘤时的表现.