Baidu
map

European Radiology:基于深度学习增强CT的腮腺良恶性肿瘤鉴别诊断

2024-01-26 shaosai MedSci原创 发表于上海

近年来,机器学习(ML)在医学影像领域受到广泛关注;研究表明,计算机辅助诊断模型对放射科医生的疾病诊断有很大帮助。

统计腮腺肿瘤约占唾液腺肿瘤的80%,其中约20%是恶性的。手术切除是腮腺肿瘤的首选治疗方法,但由于组织病理学类型不同,治疗策略和预后也有所不同。目前,超声引导下的核心活检(USCBs)和细针抽吸(FNA)是良性腮腺肿瘤(BPTs)和恶性腮腺肿瘤(MPTs)的重要术前诊断方法,但这两种方法存在面神经损伤和肿瘤细胞沿针道扩散的风险。现阶段超声造影、计算机断层扫描(CT)和磁共振成像(MRI)已被常规用于定位、分期和诊断腮腺肿瘤。根据一项荟萃分析,这些方法区分良性和恶性唾液腺肿瘤的敏感性值分别为66%、70%和80%。已有报道称,功能性MRI技术可用于评估腮腺肿瘤,如动脉自旋标记(ASL)、酰胺质子转移(APT)和体外不相干运动(IVIM),但不同定量指标识别腮腺肿瘤类型的最佳阈值尚未确定,其临床价值仍有争议。

近年来,机器学习(ML)在医学影像领域受到广泛关注;研究表明,计算机辅助诊断模型对放射科医生的疾病诊断有很大帮助。目前,基于多模态成像的传统机器学习模型以及基于卷积神经网络(CNN)不同架构的深度学习模型已被开发出来,并出现了应用于腮腺肿瘤鉴别诊断的报道。与传统的机器学习相比,深度学习可以自动学习神经网络隐藏层的语义和空间特征,消除由人类设计的工程特征。一项研究报告称,通过使用改进的深度可分离CNN模型,基于CT图像对BPTs和MPTs进行分类的准确性很高(97.78%)。另一项研究使用经典的CNN模型(ResNet50)在CT图像上识别腮腺多形性腺瘤和MPT,获得了很好的准确率(90%)。这些研究表明,深度学习模型有潜力协助放射科医生鉴别BPT和MPTs。虽然这些研究取得了令人满意的诊断性能,但由于样本量小和缺乏外部验证,因此应用受到限制。


近日,发表在European Radiology杂志的一项研究在多中心数据集上开发和验证了基于腮腺肿瘤患者的多中心动脉相位CT图像的深度学习模型,并评估了其与基线模型的性能,同时比较了不同放射科医生在模型辅助下和没有模型辅助下诊断性能的差异。

本项研究回顾性地收集了来自中心1(训练集:n = 269;内部测试集:n = 116)和中心2(外部测试集:n = 188)的573名组织病理学证实的腮腺肿瘤患者的数据。研究构建了六个基于动脉相CT图像的深度学习模型(MobileNet V3、ShuffleNet V2、Inception V3、DenseNet 121、ResNet 50和VGG 19),以及一个整合了临床-放射学特征和手工制作的放射组学特征的基线支持向量机(SVM)模型。比较了有无最佳模型辅助的高级和初级放射科医生的表现计算了净重分类指数(NRI)和综合鉴别力改善(IDI)以评估使用最佳模型的临床效益。 

MobileNet V3的预测性能最好,相对于SVM模型,内部和外部测试集的灵敏度分别提高了0.111和0.207(P < 0.05)。在模型的帮助下,初级放射医师的临床效益和整体效率得到了明显的提高;对于内部和外部测试集,AUCs分别提高了0.128和0.102(p < 0.05),敏感性提高了0.194和0.120(p < 0.05),NRIs为0.257和0.205(p < 0.001),IDIs为0.316和0.252(p < 0.001)。 


  不同深度学习模型在良性和恶性腮腺肿瘤中的关注区域 CT图像分析

本项研究表明,研究所开发的深度学习模型可以协助放射科医生获得更高的诊断性能,并为腮腺肿瘤患者的临床决策提供更有价值的信息。

原文出处:

Qiang Yu,Youquan Ning,Anran Wang,et al.Deep learning-assisted diagnosis of benign and malignant parotid tumors based on contrast-enhanced CT: a multicenter study.DOI:10.1007/s00330-023-09568-2

版权声明:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
评论区 (1)
#插入话题
  1. [GetPortalCommentsPageByObjectIdResponse(id=2184103, encodeId=aa05218410385, content=<a href='/topic/show?id=7d806121594' target=_blank style='color:#2F92EE;'>#机器学习#</a> <a href='/topic/show?id=366811056571' target=_blank style='color:#2F92EE;'>#腮腺肿瘤#</a>, beContent=null, objectType=article, channel=null, level=null, likeNumber=43, replyNumber=0, topicName=null, topicId=null, topicList=[TopicDto(id=61215, encryptionId=7d806121594, topicName=机器学习), TopicDto(id=110565, encryptionId=366811056571, topicName=腮腺肿瘤)], attachment=null, authenticateStatus=null, createdAvatar=null, createdBy=cade5395722, createdName=梅斯管理员, createdTime=Fri Jan 26 13:39:10 CST 2024, time=2024-01-26, status=1, ipAttribution=上海)]

相关资讯

Journal of Liver Transplantation:一个简单的机器学习衍生规则以促进肝脏移植中的ERAS途径

这个简单的临床规则旨在作为LT中接近ERAS的中心的患者选择筛查工具,重点是临床安全性和有效性、医生信心和患者满意度。

第35届国际癫痫大会(IEC 2023):一种用于检测局灶性皮质发育不良的机器学习模型

创造了一个比目前使用的视觉手工检查技术更详细的MRI分析,促进了更及时和有效的FCD治疗。

Psychol. Med.: 精神病性抑郁症缓解的轨迹:通过机器学习识别病情恶化的预测因子

预测恶化亚组成员的最有力因素是缓解期开始时的残余抑郁症状,其次是 RCT 基线时的焦虑评分和终生首次抑郁发作的发病年龄。

IJNS:开发一种机器学习模型以检测轻度认知障碍老年人的抑郁、焦虑和冷漠

研究开发的机器学习模型在检测和区分抑郁、焦虑和冷漠方面表现出强大的分类性能。

Hepatobiliary Surgery and Nutrition:使用机器学习策略预测和验证肝内胆管癌的预后甲基化评分

研究发现可能有助于ICC患者的治疗决策,并有助于避免复发或死亡高风险患者的治疗不足,并减少对预后良好的患者不必要的过度治疗。

Academic Radiology:基于多参数MRI和机器学习的放射组学模型在胰腺癌患者术前风险评估中的应用!

放射组学是一种基于机器学习和人工智能的新兴技术,以高通量提取定量成像特征。放射组学发现了无数的几何轮廓、纹理特征和肿瘤的异质性以协助临床诊断和预后。

使用机器学习和逻辑回归进行组合,预测接受健康体检的540万名脂肪肝病患者动脉颈动脉斑块风险

本研究旨在结合机器学习(ML)和Logistic回归的优势,建立一种简单、直观的预测模型,以识别脂肪肝病人群中具有颈部动脉斑块风险的个体,并提供风险分级的分界点,为颈动脉超声检测提供指导。

ANNALS OF SURGERY:基于机器学习的胰腺十二指肠切除术后胰腺瘘的预测

本文新颖的ML模型在内部和外部验证队列中的表现始终优于之前验证的mFRS,从而证明了其在增强CR-POPF预测方面的通用性和实用性。

【协和医学杂志】医学数字孪生方法及其应用

我国医学数字孪生研究尚处于起步阶段,本文通过梳理国内外数字孪生在医学领域中的方法和应用,以期为我国开展医学数字孪生研究提供参考。

Baidu
map
Baidu
map
Baidu
map