放射学和深度学习的多中心评估,以分层IPMNs恶性瘤风险

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 从低风险的病变区分高风险的导管内 papillary 粘膜瘤 (IPMNs) 是具有挑战性的,导致潜在的过度治疗.
• 目前IPMN的诊断方法缺乏特异性,需要改进风险分层工具.
• 放射学和深度学习 (DL) 在胰腺癌中显示出潜力,但在IPMN囊水平恶性瘤风险评估中尚未得到充分研究.

研究的目的:

• 评估人工智能 (AI) 的可行性,以使用囊水平MRI特征预测IPMN发育不良等级.
• 为IPMN风险分层开发和比较仅放射性,仅DL和放射性-DL聚变模型.
• 评估这些人工智能模型的性能与专家放射科医生对比.

主要方法:

• 一项多机构研究使用了来自七个中心的359张T2加权 (T2W) 核磁共振成像.
• 开发并比较2D和3D放射性-仅,DL-仅和放射性-DL的融合模型.
• 在持有测试数据上评估性能,以专家放射科医生评分为参考.

主要成果:

• 放射学-DL融合模型在测试组件中获得了最高的AUC69.2%,超过仅放射学模型 (AUC66.5%).
• 专家放射科医师的准确性有显著的变化 (37.4%66.7%),与不一致的评价者之间的协议 (加权科恩的卡帕0.330.67).
• 与单独的放射学相比,核聚变模型显示出更高的区分能力.

结论:

• 从常规T2WMRI中结合DL和放射学的融合模型显示了客观,囊水平IPMN风险分层的潜力.
• 这种人工智能方法表现优于仅使用放射学模型的模型,并接近专家放射科医生的表现.
• 虽然独立临床使用需要进一步改进,但该模型提供了一个可扩展的,非侵入性的方法,以提高诊断准确性并减少IPMN不必要的干预.