在MRCP上区分良性和恶性胆道扩张的深度学习:Xception-Logistic回归合并模型的开发和前性评估

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 放射学 放射学是一门学科.

背景情况:

• 准确区分良性和恶性胆道扩张 (BDD) 对患者管理至关重要.
• 传统的BDD评估成像方法是主观的.
• 深度学习 (DL) 提供了客观和自动化的BDD评估的潜力.

研究的目的:

• 开发和验证DL模型和整体策略,以使用MRCP区分良性和恶性BDD.
• 评估这些模型与人类放射学家的性能.

主要方法:

• 追溯和前的队列共计438名患者 (3T MRCP).
• 开发DL模型 (Xception) 和整体策略 (包括后勤回归).
• 使用曲线下面面积 (AUC),精度,灵敏度和特异性的模型性能评估,与放射学家相比.

主要成果:

• 在Xception模型中,AUC达到0.816 (内部) 和0.807 (外部) 的测试组.
• 一个整体模型 (Xce-LR) 显示出优异的患者水平AUC值为0.890和0.885,校准良好.
• 在前性评估中,Xce-LR模型实现了90.0%的精度,灵敏度和特异性,与放射科医生相比.

结论:

• Xce-LR模型显示了自动化良性和恶性BDD区分的巨大潜力.
• 基于DL的方法可以使用MRCP提供客观和可靠的BDD评估.
• 这项技术可能有助于简化诊断工作流程并改善患者护理.