Diferenciación de lesiones pancreáticas benignas y malignas (D)

La diferenciación precisa entre lesiones pancreáticas benignas y malignas es fundamental para el tratamiento del paciente. Este estudio tuvo como objetivo desarrollar y validar una nueva red de aprendizaje profundo utilizando imágenes de tomografía computarizada de referencia para predecir lesiones pancreáticas benignas y malignas. Este estudio retrospectivo en tres centros médicos constituyó una cohorte de capacitación, una cohorte de prueba interna y una cohorte de validación externa. Para clasificar las lesiones pancreáticas se desarrolló un novedoso modelo híbrido, Atención de núcleo grande multiescala con transformador de visión móvil (MVIT-MLKA), que integra las arquitecturas CNN y Transformer. Comparamos el rendimiento del modelo con los métodos tradicionales de aprendizaje automático y aprendizaje profundo. Además, evaluamos la precisión diagnóstica de los radiólogos con y sin la asistencia óptima del modelo. El modelo MVIT-MLKA demostró un rendimiento superior para predecir lesiones pancreáticas, superando a los modelos tradicionales y a los CNN y Transformers estándar. Los radiólogos asistidos por el modelo MVIT-MLKA mostraron mejoras significativas en el rendimiento diagnóstico en comparación con aquellos sin asistencia del modelo, con aumentos notables tanto en la precisión como en la sensibilidad. La interpretabilidad del modelo se mejoró mediante la visualización Grad-CAM, resaltando de manera efectiva áreas de lesión clave. El modelo MVIT-MLKA diferencia efectivamente entre lesiones pancreáticas benignas y malignas, superando los métodos tradicionales y mejorando el desempeño del radiólogo. Esto sugiere que la integración de un modelo avanzado de aprendizaje profundo en la práctica clínica tiene el potencial de reducir los errores de diagnóstico y optimizar las estrategias de tratamiento en la práctica clínica.