使用深度学习对动态对比增强的美国图像进行分析

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:

• 部病变需要准确的分类来确定恶性瘤的风险.
• 目前的诊断工具,如O-RADS US和ADNEX模型在性能上存在局限性.
• 深度学习有可能提高医学成像诊断的准确性.

研究的目的:

• 开发和验证一个多模式深度学习模型,卵巢癌网络 (OCNet),用于分类附病变.
• 将OCNet的诊断性能与已建立的方法 (O-RADS US和ADNEX模型) 进行比较.
• 评估OCNet协助对放射科医生诊断绩效的影响.

主要方法:

• 开发了两种深度学习模型 (OCNet_manual和OCNet_automated),使用动态对比增强超声波图像.
• 追溯研究包括14家医院的395名女性患者.
• 将OCNet模型与O-RADS US和使用接收器操作特征曲线 (AUC) 下面面积的ADNEX模型进行比较.
• 评估放射科医生的表现,有或没有OCNet的协助.

主要成果:

• OCNet_manual 实现了 0.94 的 AUC,OCNet_automated 实现了 0.91 的 AUC.
• 这两种OCNet模型的表现都明显优于O-RADS US (AUC 0.79) 和ADNEX模型 (AUC 0.86).
• 通过OCNet的协助,初级放射科医生的平均AUC从0.86提高到0.94,特异性从52%提高到73%.

结论:

• 与O-RADS US和ADNEX模型相比,OCNet深度学习模型在分类附病变方面表现出卓越的性能.
• OCNet有可能提高诊断准确性,特别是对于经验较少的放射科医生来说.
• 这种由人工智能驱动的方法显示出改善附病变管理的前景.