Unterscheidung gutartiger und bösartiger Pankreasläsionen (D)

Eine genaue Unterscheidung zwischen gutartigen und bösartigen Pankreasläsionen ist für die Patientenversorgung von entscheidender Bedeutung. Diese Studie zielte darauf ab, ein neuartiges Deep-Learning-Netzwerk zu entwickeln und zu validieren, das Basis-Computertomographiebilder verwendet, um gutartige und bösartige Pankreasläsionen vorherzusagen. Diese retrospektive Studie an drei medizinischen Zentren umfasste eine Schulungskohorte, eine interne Testkohorte und eine externe Validierungskohorte. Zur Klassifizierung von Pankreasläsionen wurde ein neuartiges Hybridmodell entwickelt, Multi-Scale Large Kernel Attention with Mobile Vision Transformer (MVIT-MLKA), das CNN- und Transformer-Architekturen integriert. Wir haben die Leistung des Modells mit herkömmlichen Methoden des maschinellen Lernens und des Deep Learning verglichen. Darüber hinaus haben wir die diagnostische Genauigkeit von Radiologen mit und ohne optimale Modellunterstützung bewertet. Das MVIT-MLKA-Modell zeigte eine überlegene Leistung bei der Vorhersage von Pankreasläsionen und übertraf traditionelle Modelle sowie Standard-CNNs und Transformer. Mit dem MVIT-MLKA-Modell unterstützte Radiologen zeigten im Vergleich zu Radiologen ohne Modellunterstützung erhebliche Verbesserungen der Diagnoseleistung, mit deutlichen Steigerungen sowohl der Genauigkeit als auch der Empfindlichkeit. Die Modellinterpretierbarkeit wurde durch die Grad-CAM-Visualisierung verbessert und wichtige Läsionsbereiche effektiv hervorgehoben. Das MVIT-MLKA-Modell unterscheidet effektiv zwischen gutartigen und bösartigen Pankreasläsionen, übertrifft herkömmliche Methoden und verbessert die Leistung des Radiologen. Dies deutet darauf hin, dass die Integration eines fortschrittlichen Deep-Learning-Modells in die klinische Praxis das Potenzial hat, Diagnosefehler zu reduzieren und Behandlungsstrategien in der klinischen Praxis zu optimieren.