基于自动细分的放射学和深度学习与临床参数相结合,用于精确区分缺乏脂质的上腺腺瘤和转移

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:

• 上腺瘤需要精确区分缺乏脂质的腺瘤和转移.
• 现有的诊断方法在区分这些实体方面可能存在局限性.

研究的目的:

• 评估结合放射学,深度学习和临床参数的综合模型的应用价值,以区分上腺脂质贫乏腺瘤和转移.

主要方法:

• 分析了535名上腺瘤患者的队列.
• 使用XGBoost,来自对比增强CT的放射性特征和深度学习签名 (ResNet50) 开发了一个结合的预测模型.
• 模型性能在内部和外部使用AUC,灵敏度和特异性进行验证,并使用SHAP图表进行解释性.

主要成果:

• 组合模型实现了高诊断性能,AUC为0.996 (训练),0.939 (内部验证) 和0.852 (外部测试集).
• 这种综合方法显著优于单一特征模型.
• 该模型显示出卓越的诊断性能和临床益处.

结论:

• 结合放射学,深度学习和临床参数的综合预测模型显示出强大的预测价值.
• 这种模型有效地区分了脂质贫乏的上腺腺瘤与转移.
• 这些发现支持这种结合方法在上腺瘤诊断中的临床实用性.