有效的AI深度學習能夠區(qū)分小的實體腎腫塊

根據(jù)《放射學雜志》上發(fā)表的一項新研究，深度學習可能會幫助醫(yī)療保健提供者評估在某些對比增強CT檢查中檢測到的小腎臟腫塊。AI的性能在某些CT階段表現(xiàn)出色，但在其他階段卻不然。

岡山大學醫(yī)院放射科的第一作者田中隆史(Takashi Tanaka)及其同事寫道：“動態(tài)CT可以為分化小的實體腎腫塊提供有用的診斷信息。”“盡管如此，盡管有經驗的放射科醫(yī)生會仔細評估影像，但評估可能是主觀的，并在一定程度上受到每個放射科醫(yī)生的經驗的影響。此外，某些偶然發(fā)現(xiàn)的小腎臟腫塊……僅憑成像無法明確確定其是良性還是惡性;只有經過明確的手術干預，他們才能最終被證明是良性的。”

作者旨在了解深度學習技術是否可以幫助改善小的實心腎腫塊的分化，從而為通常具有挑戰(zhàn)性的過程提供新的清晰感。他們的回顧性研究包括2012年至2016年接受CT成像的159例患者的168個實體腎腫塊。所有腫塊均小于4厘米，并且CT檢查均為增強，皮質腎小管期(CMP)，腎原性期或排泄期。

田中等。將數(shù)據(jù)集分為五個數(shù)據(jù)集，其中四個集用于增強和訓練卷積神經網(wǎng)絡(CNN)。第五個也是最后一個數(shù)據(jù)集被留作測試?？傮w而言，具有CMP CT圖像的ROC曲線下的深度學習模型比其他階段具有更大的面積。CMP CT圖像的準確性也最高，達到88%。排泄階段的準確性為85%，然后在其他階段顯著下降。

正如Tanaka及其同事在他們的分析中指出的那樣，深度學習模型對于CMP CT圖像可能是有效的，但對于其他階段則“不那么好”。

作者總結說：“這項研究表明，使用CNN進行深度學習可以支持對小的實體腎腫塊進行評估，并具有可接受的診斷性能。”“ CNN模型和正在審查的放射學家均得出結論，與動態(tài)CT上的其他相位圖像相比，CMP CT圖像能夠更好地區(qū)分小塊實體腎腫塊(≤4 cm)。”