Radiology:深度学习在预测卵巢恶性肿瘤方面的性能

2022-08-25 shaosai MedSci原创

近年来,放射学界在机器学习的基础上开发了计算机辅助诊断工具。深度卷积神经网络可以通过非线性网络结构有效地学习特征,从而减少了网络参数的数量、缓解了过拟合现象。

据统计卵巢癌是全世界范围内妇女癌症相关死亡的第二大原因,其5年生存率低于45%。卵巢肿瘤的早期发现和准确定性对病人的最佳治疗非常重要。良性肿瘤可以通过保守治疗,避免不必要的费用和过度治疗并保留生育能力。然而,恶性肿瘤需要转诊到妇科肿瘤科,进行适当的分期并考虑进行根治手术。为了提供个体化和有效的治疗方案,能够高度准确地区分良性和恶性卵巢肿瘤至关重要。

在筛查和识别卵巢肿瘤方面,US是一种方便且相对便宜的成像方式,通常是这些情况下的第一选择。专家对肿瘤的主观评估是对肿瘤进行分类的标准过程,存在着显著的差异。因此,在美国放射学会的最新共识指南中引入了卵巢-附件报告和数据系统(O-RADS),为风险分层和管理提供一个标准参考

近年来,放射学界在机器学习的基础上开发了计算机辅助诊断工具。深度卷积神经网络可以通过非线性网络结构有效地学习特征,从而减少了网络参数的数量、缓解了过拟合现象。到目前为止,为评估卵巢肿瘤而开发的深度学习(DL)算法很有限。

近日,发表在Radiology杂志的一项研究在灰度和彩色多普勒US图像上开发了一项自动分类卵巢肿瘤的DL算法,并将其诊断性能与O-RADS和专家主观评估进行了比较。

项回顾性研究包括2019年1月-2019年11月期间接受灰度和彩色多普勒超声检查的连续女性卵巢肿瘤患者,其中组织病理学分析作为参考标准。数据集被分为训练(70%)、验证(10%)和测试(20%)集。开发了从ResNet修改的算法,有两种融合策略(特征融合[以下简称DLfeature]或决策融合[以下简称DLdecision])。在测试组中,通过AUC分析,将DL预测恶性肿瘤与O-RADS风险分类和专家评估进行了比较。

共有422名妇女(平均年龄46.4岁±14.8[SD])被纳入研究,其中有304良性肿瘤和118恶性肿瘤;在训练和验证数据集中有337名患者,在测试数据集中有85名患者。DLfeature对恶性和良性卵巢肿瘤分类的AUC为0.93(95% CI:0.85,0.97),与O-RADS(AUC,0.92;95% CI:0.85,0.97;P = .88)和专家评估(AUC,0.97;95% CI:0.91,0.99;P = .07)相当,并与DLdecision(AUC,0.90;95% CI:0.82,0.96;P = .29)相似。DLdecision、DLfeature、O-RADS和专家评估对恶性肿瘤的敏感度分别为92%、92%、92%和96%,特异度分别为80%、85%、89%和87%。


 36岁女性,右卵巢囊肿伴实性成分。(A)灰度US图像显示肿块的最大尺寸平面,(B)灰度US图像显示实性成分的最大尺寸,以及(C)实性成分的彩色多普勒US图像(评分1)。病理诊断为浆液性囊腺纤维瘤。这是用卵巢附件报告和数据系统误诊的病例,而深度学习(DL)模型与决策融合、DL模型与特征融合以及专家评估都是正确的

本研究证明了基于多模态US图像的深度学习算法在预测卵巢恶性肿瘤方面的价值,其具有与专家主观和卵巢附件报告和数据系统评估相当的高诊断性能。

 

原文出处:

Hui Chen,Bo-Wen Yang,Le Qian,et al.Deep Learning Prediction of Ovarian Malignancy at US Compared with O-RADS and Expert Assessment.DOI:10.1148/radiol.211367

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=2054411, encodeId=0c0b205441141, content=<a href='/topic/show?id=20ee3685ee7' target=_blank style='color:#2F92EE;'>#卵巢恶性肿瘤#</a>, beContent=null, objectType=article, channel=null, level=null, likeNumber=29, replyNumber=0, topicName=null, topicId=null, topicList=[TopicDto(id=36857, encryptionId=20ee3685ee7, topicName=卵巢恶性肿瘤)], attachment=null, authenticateStatus=null, createdAvatar=, createdBy=d4902500082, createdName=1249883fm12暂无昵称, createdTime=Mon Jun 19 18:00:06 CST 2023, time=2023-06-19, status=1, ipAttribution=)]

相关资讯

European Radiology:基于深度学习的多参数MRI脑膜瘤自动分割

放射组学是一种先进的影像学技术,可从多模态医学图像中提取高通量的定量特征用于临床决策支持。

European Radiology:基于CCTA的深度学习冠状动脉自动分割及狭窄诊断

CCTA图像是计算机断层扫描测量的体积集合,其中冠状动脉中的造影剂使管腔清晰可见,通过对冠状动脉壁和管腔的分割可以获得斑块的解剖学和形态学信息,进一步评估狭窄的严重程度。

European Radiology:基于深度学习的双能量CT图像重建对肝转移瘤的评估

最近的研究表明,与传统的迭代重建算法相比,深度学习模型(DLM)重建算法可以通过抑制图像噪声和保留结构细节来提高图像质量。

European Radiology:基于深度学习和线性回归级联算法的胸片自动质量评估

近年来,深度学习算法已被广泛用于肺部结节的检测、骨骼和关节的自动测量以及放射学研究中的图像分割,这些计算机辅助技术为诊断提供了实质性的改进。

European Radiolog:深度学习提高了放射科医师在CT骨转移检测中的表现

目前,CT、MRI、骨扫描和PET几种成像方式可用于骨转移的诊断,每种方式都有明显的优势。

European Radiology:利用深度学习和基于MRI的放射组学列线图自动预测骨肉瘤的新辅助化疗反应

放射组学从医学图像中提取定量的、可挖掘的、高维的数据,可以将放射图像与病变特征、治疗反应和病人预后联系起来,有助于回答与骨肉瘤患者实践密切相关的临床问题,并在NAC反应预测中显示出极高的临床前景。