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
2020-05-28
SCID: 54.1/73thcyq8
Discuss with AI
клинические данныесверточные нейронные сетиглубокое обучениеклассификация опухолей печенимагнитно-резонансная томография
Figures from the paper
Abstract (AI)
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...
Key Findings
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).
Research Object
Опухоли печени, характеризуемые по данным магнитно-резонансной томографии и клиническим данным
Research Subject
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
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest