Глубокое обучение для точной диагностики опухолей печени на основе магнитно-резонансной томографии и клинических данных

Deep Learning for Accurate Diagnosis of Liver Tumor Based on Magnetic Resonance Imaging and Clinical Data
Hai Bo Lin, Jihong Sun, Shihui Zhen, Ming Cheng, Sarun Juengpanich, Wei Lu, Yu-bo Tao, Yifan Wang, Zhi-yu Jiang, Yankai Jiang, Yu-yu Yan, Jie-min LÜ, Jia-hong Qian, Zhong-Yu Wu, Xiu-jun Cai
2020-05-28

клинические данныесверточные нейронные сетиглубокое обучениеклассификация опухолей печенимагнитно-резонансная томография
Обоснование: Ранняя диагностика и лечение могут повысить выживаемость пациентов с раком печени. Динамическая магнитно-резонансная томография (МРТ) с контрастным усилением предоставляет наиболее полную информацию для дифференциальной диагностики опухолей печени. Однако диагностика по данным МРТ зависит от субъективного опыта; глубокое обучение может предложить новую диагностическую стратегию. Мы использовали сверточные нейронные сети (CNN) для разработки системы глубокого обучения (DLS), предназначенной для классификации опухолей печени на основе усиленных и неусиленных МР-изображений, а также клинических данных, включая текстовую информацию и результаты лабораторных исследований. Методы: На основе данных 1210 пациентов с опухолями печени (N = 31 608 изображений) мы обучили CNN для создания семикатегориальных классификаторов, бинарных классификаторов и трехкатегориальных классификаторов злокачественности (модели A–G). Модели были валидированы во внешней независимой расширенной когорте из 201 пациента (N = 6816 изображений). Площади под ROC-кривыми (AUC) сравнивали между различными моделями. Также чувствительность и специфичность моделей сравнивали с показателями трех опытных радиологов. Результаты: По эффективности глубокое обучение было сопоставимо с тремя опытными радиологами при классификации опухолей печени по семи категориям. При использовании только неусиленных изображений CNN эффективно различала злокачественные и доброкачественные опухоли печени (AUC 0,946 [95% ДИ 0,914–0,979] против 0,951 [0,919–0,982], P = 0,664). Новая CNN, объединяющая неусиленные изображения с клиническими данными, значительно повысила эффективность классификации гепатоцеллюлярной карциномы (AUC 0,985 [0,960–1,000]), метастатических опухолей (0,998 [0,989–1,000]) и других первичных злокачественных опухолей (0,963 [0,896–1,000]); соответствие данным патоморфологического исследования составило 91,9%. Эти модели извлекали диагностическую информацию из неусиленных изображений и клинических данных с помощью глубоких нейронных сетей, в отличие от предыдущих методов, использовавших усиленные изображения. Чувствительность и специфичность почти каждой категории в этих моделях достигали тех же вы...
1
Система на основе сверточных нейронных сетей классифицировала опухоли печени по семи категориям с результатами, сопоставимыми с результатами трех опытных радиологов.
2
Объединение нативной МРТ с клиническими данными значительно повысило точность классификации злокачественных опухолей: AUC составила 0,985 для гепатоцеллюлярной карциномы, 0,998 для метастатических опухолей и 0,963 для других первичных злокачественных опухолей.
3
Согласие комбинированных моделей с результатами патоморфологии составило 91,9%; модели извлекали диагностическую информацию из нативных изображений и клинических данных, а не преимущественно из контрастного усиления.
4
Система была разработана на данных 1210 пациентов и 31 608 изображений и проверена на независимой когорте из 201 пациента и 6816 изображений.
5
Используя только нативные МР-изображения, CNN различала злокачественные и доброкачественные опухоли печени с AUC 0,946 (95% ДИ 0,914–0,979), что сопоставимо с результатом на контрастных изображениях (AUC 0,951; P=0,664).

Опухоли печени, характеризуемые по данным магнитно-резонансной томографии и клиническим данным

Классификация опухолей печени и дифференциация их злокачественности с помощью глубокого обучения, включая семикатегорийную диагностику и выявление гепатоцеллюлярной карциномы, метастатических опухолей и других первичных злокачественных новообразований

Publication Details
Publication Date
2020-05-28
Journal
Publisher
ISSN
Cited by
226
Access Type
Author Information
Authors
Hai Bo Lin
Jihong Sun
Shihui Zhen
Ming Cheng
Sarun Juengpanich
Wei Lu
Yu-bo Tao
Yifan Wang
Zhi-yu Jiang
Yankai Jiang
Yu-yu Yan
Jie-min LÜ
Jia-hong Qian
Zhong-Yu Wu
Xiu-jun Cai
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%