梅斯医学MedSci APP
医路相伴,成就大医

European Radiology:深度学习,让平片快速分类骨肿瘤成为可能!

Tags: 骨肿瘤   深度学习      作者:shaosai 更新:2022-01-17

骨肿瘤是导致20岁以下的癌症患者死亡的第三大原因。根据2020年公布的世界卫生组织第五次骨肿瘤分类,骨肿瘤被分为良性、中间型或恶性。不同类型的骨肿瘤有不同的生物学行为。良性肿瘤通常比较稳定通常决定采用刮除术或只要求随访或局部刮除。中间型肿瘤会有局部侵袭性,通常会选择更激进的治疗方法来防止复发。恶性肿瘤由于具有侵袭性生物学行为和远处转移的概率因此需要综合治疗(如手术、化疗和放疗)。因此,骨肿瘤的鉴别诊断对临床决策至关重要。

基于数据驱动的机器学习和深度学习(DL)技术已被广泛研究,现阶段已用于临床的多个领域。由于骨肿瘤的发病率相对较低,十分缺乏关于DL应用于骨肿瘤的相关研究。此外,关于平片上的骨肿瘤的DL研究更少

近日,发表在European Radiology杂志的一项研究评估了DL在鉴别良性、恶性和中间型骨肿瘤方面的能力,并将DL与放射科医生的诊断水平进行了比较为临床快速准确的评估骨肿瘤提供了技术支持

项回顾性研究收集了2012年至2019年间经病理确诊的骨肿瘤的数据。构建了深度学习和机器学习融合模型,利用病变的常规X线片和潜在的相关临床数据将肿瘤分类为良性、恶性或中间型。比较了五位放射科医生使用和不使用该模型的诊断性能。使用曲线下面积(AUC)来评估诊断性能。 

共有643名患者(中位年龄,21岁;四分位数范围,12-38岁;244名女性)的982张X线片被纳入最终评估。在测试组中,二元类别分类任务中,良性/非良性、恶性/非恶性和中度/非中度的放射学分类模型的AUC分别为0.846、0.827和0.820;融合模型的AUC分别为0.898、0.894和0.865。在三类分类任务中,放射学模型的宏观平均AUC为0.813,而融合模型的宏观平均AUC为0.872。在观察测试中,所有放射科医生的平均宏观平均AUC为0.819。在三类分类融合模型的支持下,宏观AUC提高了0.026。 

 放射科、融合模型和放射科医生在测试集上的受试者工作特性曲线和曲线面积(ROC- AUC)。 a每一类和总分类中的三分类模型。b每一个二进制模型。c放射科医生在总的直接三分类中。d良性肿瘤中的放射科医生。e恶性肿瘤中的放射科医生。

本研究开发了一个融合了放射学和临床信息的模型以良性、中间型和恶性肿瘤的鉴别。事实证明,与放射科医生相比,该模型在鉴别诊断方面十分有潜力该模型可以帮协助临床进行患者的早期风险评估指导患者进行个性化治疗

 

原文出处

Renyi Liu,Derun Pan,Yuan Xu,et al.A deep learning-machine learning fusion approach for the classification of benign, malignant, and intermediate bone tumors.DOI:10.1007/s00330-021-08195-z

来源:MedSci原创
版权声明:
本网站所有注明“来源:梅斯医学”或“来源: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:梅斯医学”。本网所有转载文章系出于传递更多信息之目的,且明确注明来源和作者,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。同时转载内容不代表本站立场。
在此留言
小提示:本篇资讯需要登录阅读,点击跳转登录

相关推荐

移动应用
medsci.cn © 2020