开发和验证基于MRI的多模式深度学习框架,用于分化脊内瘤 (ISMF-Net)

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
• 在瘤学瘤学.

背景情况:

• 内脊瘤 (ISTs) 由于复杂的解剖学和依赖主观MRI解释而存在诊断挑战.
• 人工智能 (AI) 提供了非侵入性IST诊断的潜力.
• 开发用于IST差异化的AI模型对于改善患者的治疗结果至关重要.

研究的目的:

• 开发和验证基于MRI的深度学习模型,用于区分各种类型的IST.
• 评估拟议模型的诊断性能.
• 评估人工智能协助对放射科医生的诊断性能的影响.

主要方法:

• 一项回顾性研究包括1004名在三家医院的IST患者 (施瓦诺瘤,脑膜瘤,星细胞瘤,膜瘤,转移).
• 开发了一个深度学习模型,ISMF-Net,集成多序MRI和临床数据.
• 该模型在内部和外部测试集上得到验证,观察员研究评估了诊断改进.

主要成果:

• 在验证,内部和外部测试集中,ISMF-Net实现了高诊断准确性 (微型ACC~0.82-0.86).
• 与现有方法相比,该模型表现出优异的性能,在区分斯万诺玛方面取得了显著的成功.
• 人工智能协助显著提高了放射科医生的准确性,灵敏度和特异性,特别是在初级放射科医生中.

结论:

• 拟议的多模式深度学习方法 (ISMF-Net) 有效地整合了MRI和临床数据用于IST诊断.
• 在临床实践中,ISMF-Net是提高诊断准确性的宝贵工具.
• 人工智能辅助诊断对改善脊髓内瘤管理具有重大前景.