多参数MRI深度学习模型基于动态的对比度增强和明显扩散系数地图,可准确预测良性和恶性乳腺病变
Chen Luo1, Yanhong Chen1, Lijun Yan2,3
1Department of Radiology, Xinhua Hospital, Shanghai Jiao Tong University School of Medicine, No. 1665 Kongjiang Road, Shanghai, 200092, China.
概括
结合动态对比增强MRI (DCE-MRI) 和明显扩散系数 (ADC) 地图的深度学习 (DL) 模型在区分良性和恶性乳腺病变方面显示出高准确性. 这种人工智能工具可以帮助放射科医生提高诊断性能.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 区分良性和恶性乳腺病变对于有效的患者管理至关重要.
- 多参数MRI为病变的特征提供了丰富的信息.
- 深度学习模型有可能提高医学成像中的诊断准确性.
研究的目的:
- 开发和评估使用多参数MRI进行深度学习 (DL) 模型,以区分良性和恶性乳腺病变.
- 为了评估结合DCE-MRI和ADC的DL模型的性能.
- 将DL模型的性能与单参数DL模型和人类阅读器进行比较.
主要方法:
- 这是一项追溯性研究,涉及509名患者的556种乳腺病变 (307种恶性,249种良性).
- 开发一个DL模型,整合动态对比增强MRI (DCE-MRI) 和明显扩散系数 (ADC) 地图.
- 在验证和独立测试数据集上使用接收器运行特征曲线 (AUC) 评估模型.
主要成果:
- 结合DCE-ADC DL模型的AUC达到0.889,准确度为82.5%,灵敏度为80.7%,特异性为84.1%.
- 该DL模型的性能优于单参数DL模型,并且表现得与初级放射科医生相当或优于初级放射科医生.
- 人工智能辅助显著改善了初级放射科医生的诊断性能 (AUC从0.70增加到0.78).
结论:
- DCE-ADC组合DL模型在乳腺病变特征化方面显示出有前途的诊断性能.
- 这种人工智能工具有可能帮助初级放射科医生提高诊断效率和临床决策.
- 需要在前性,多中心和跨国研究中进一步验证.
