Deep learning unterscheidet small renal masses auf die Mehrphasen-CT

Ein deep learning-Methode, mit der ein convolutional neural network (CNN) unterstützt die Auswertung von kleinen soliden renalen Massen in dynamischen CT-Bilder mit akzeptable diagnostische Leistung, nach einem Artikel veröffentlicht ahead-of-print in der März-Ausgabe des American Journal of Roentgenology(AJR).

Zwischen 2012 und 2016, Forscher an der japanischen Okayama-Universität studierte 1807 image-sets von 168 pathologisch diagnostiziert klein (≤ 4 cm) solide renale Massen mit vier CT-Phasen—nicht-optimierten, corticomedullary, nephrogener und Ausscheidungsorgane—in 159 Patienten.

Massen eingestuft wurden als Maligne (n = 136) oder benigne (n = 32) mit einer 5-Punkte-Skala, und dieser Datensatz wurde dann willkürlich geteilt in fünf Teilmengen.

Als lead-AJR Autor Takashi Tanaka, erklärte, „vier verwendet wurden für die augmentation und betreutes training (48,832 Bilder), und man für die Tests verwendet wurde (281 Bilder).“

Die Nutzung der Inception-v3-Architektur CNN-Modell, die AUC für die Malignität und Genauigkeit bei optimalen cutoff-Werte der output-Daten ausgewertet wurden, in sechs verschiedenen CNN-Modelle.

Finden sich keine signifikanten Größenunterschied zwischen malignen und benignen Läsionen, Tanaka s team fand, dass der AUC-Wert der corticomedullary phase war höher als die der anderen Phasen (corticomedullary vs Ausscheidungsorgane, p = 0,022).

Darüber hinaus wird die höchste Genauigkeit (88%) erreicht wurde in der corticomedullary phase-Bilder.