AI与肝脏病学医学影像中的临床应用

2019-06-19 18:02:27    算力智库

算力说

医学成像技术在疾病的早期检测,诊断和治疗中发挥了关键作用,例如计算机断层扫描(CT),磁共振成像(MRI),超声,正电子发射断层扫描(PET)和X光。在肝脏医学成像中,医生通常通过视觉评估肝脏医学图像来检测,表征和监测疾病。有时,这种基于专业知识和经验的视觉评估可能是个人的和不准确的。人工智能可以通过自动识别成像信息而不是这种基本推理来进行定量评估。

本文编译自世界胃病学杂志近期的同行审阅文章,由LI-QiangZhou等著名学者共同执笔。

【算力观点】

病理诊断的准确性严重依赖于病理医生的水平,病理科医生必须经过数年甚至十几年的训练才能掌握足够的经验,成为一名合格的病理学家。通过AI技术,能帮助解决医疗资源稀缺问题,并有效突破病理诊断的瓶颈。

AI与肝脏病学医学影像中的临床应用

局灶性肝脏病变检测

结合多种图像模式的深度学习算法已被广泛用于局灶性肝脏病变的检测(详见图一)。结合深度学习方法与CNNs和CT进行肝病诊断已引起广泛关注。与视觉评估相比,该策略可以捕获更详细的病变特征并进行更准确的诊断。根据研究表明,通过使用基于纵向肝脏CT研究的深度学习模型,可以自动检测新的肝脏肿瘤,真阳性率为86%,而独立检测率仅为72%,这种方法达到了精确度比传统的SVM提高了39%。

AI与肝脏病学医学影像中的临床应用

(图片来源于:WJG)

局灶性肝脏病变评估

CNN在评估肝脏病变方面也非常有用,通过使用基于动态对比增强CT图像的非增强动脉和延迟期的CNN模型,一项临床回顾性研究研究了肝脏肿块分化的诊断性能。根据五类[A类,典型肝细胞癌(HCC)对肿块进行诊断;categoryB,除经典和早期HCC外的恶性肝肿瘤;C类,不确定肿块或肿块样病变和除血管瘤和囊肿外的罕见良性肝脏肿块;D类,血管瘤;E类,囊肿]分别为0.71,0.33,0.94,0.90,和1.00的灵敏度.用于分类肝脏质量的CNN模型的中位数精确度为0.84。区分AB类和CE的中位数AUC为0.92。

今日热点

小编推荐

频道热点

关闭
X
本网页已闲置超过2分钟,点击关闭或空白处,即可回到网页