.png){kind=icon}
返回
Deep learning models for differentiating three sinonasal malignancies using multi-sequence MRI
.png){kind=icon}
OA
AI
DOI：10.1186/s12880-024-01517-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目的：开发基于MRI的深度学习（DL）模型以区分鼻窦鳞状细胞癌（SCC）、腺样囊性癌（ACC）和嗅神经母细胞瘤（ONB），并评估DL模型能否提高高级放射科医师（SR）和初级放射科医师（JR）的诊断性能。
方法：本研究为回顾性分析，共纳入465例患者（229例鼻窦SCC、128例ACC和108例ONB）。训练和验证队列分别包括325例和47例患者，独立外部测试队列由93例患者组成。MRI图像包括T2加权成像（T2WI）、对比增强T1加权成像（CE-T1WI）和表观扩散系数（ADC）。我们分析了常规MRI特征以选择独立预测因子，并构建了常规MRI模型。随后比较了不同序列和不同DL网络的宏观及微观曲线下面积（AUC），以制定最佳DL模型[人工智能（AI）模型方案]。在AI辅助下，观察了SR和JR的诊断性能。通过准确率、召回率、精确率、F1分数和混淆矩阵评估了SR和JR的诊断效能。
结果：常规MRI的独立预测因子包括T2WI上的强度和鼻窦恶性肿瘤的颅内侵犯。采用ExtraTrees（ET）分类器，常规MRI模型的AUC为78.8%。对于DL模型，ResNet101网络表现优于ResNet50和DensNet121，尤其对于平均融合序列（宏观AUC = 0.892，微观AUC = 0.875，准确率 = 0.810），在ADC序列上表现也良好（宏观AUC = 0.872，微观AUC = 0.874，准确率 = 0.814）。Grad-CAM显示DL模型聚焦于病灶的实性成分。在最佳AI方案（基于ResNet101-平均序列的DL模型）辅助下，SR的诊断性能（准确率 = 0.957，平均召回率 = 0.962，精确率 = 0.955，F1分数 = 0.957）和JR的诊断性能（准确率 = 0.925，平均召回率 = 0.917，精确率 = 0.931，F1分数 = 0.923）均得到显著提升。
结论：基于平均序列的ResNet101网络DL模型可有效鉴别鼻窦SCC、ACC和ONB，并提高高级及初级放射科医师的诊断性能。
Keyword:
Sinonasal
Squamous cell carcinoma
Magnetic resonance imaging
Deep learning
Neural network
期刊
IF:
3.2
论文数:
1.2K
被引数:
4.0K
机构
暂无机构信息
引用论文
Advanced stage adenoid cystic carcinoma of the sinonasal cavity and skull base: a retrospective 20-year analysis上颌窦和颅底腺样囊性癌晚期：一项20年的回顾性分析
PREAI
分享收藏A multi-institutional retrospective study of 340 cases of sinonasal malignant tumor多机构回顾性研究，纳入340例鼻窦恶性肿瘤病例
PREAI
分享收藏ResNet and its application to medical image processing: Research progress and challengesResNet及其在医学图像处理中的应用: 研究进展与挑战
PREAI
分享收藏分享收藏Utility of CT texture analysis to differentiate olfactory neuroblastoma from sinonasal squamous cell carcinoma.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容