Hyvä- ja pahanlaatuisten haimavaurioiden erottelu (D)

Hyvänlaatuisten ja pahanlaatuisten haimavaurioiden tarkka erottaminen on ratkaisevan tärkeää potilaan hoidossa. Tämän tutkimuksen tavoitteena oli kehittää ja validoida uusi syväoppimisverkosto käyttämällä perustason tietokonetomografiakuvia hyvänlaatuisten ja pahanlaatuisten haimavaurioiden ennustamiseen. Tämä kolmen lääketieteellisen keskuksen retrospektiivinen tutkimus muodosti koulutuskohortin, sisäisen testauskohortin ja ulkoisen validointikohortin. Uusi hybridimalli, Multi-Scale Large Kernel Attention with Mobile Vision Transformer (MVIT-MLKA), joka yhdistää CNN- ja Transformer-arkkitehtuurit, kehitettiin haimavaurioiden luokittelemiseksi. Vertasimme mallin suorituskykyä perinteisiin koneoppimiseen ja syväoppimismenetelmiin. Lisäksi arvioimme radiologien diagnostista tarkkuutta optimaalisen malliavun kanssa ja ilman sitä. MVIT-MLKA-malli osoitti ylivoimaista suorituskykyä haimaleesioiden ennustamisessa, mikä ylitti perinteiset mallit ja standardit CNN:t ja muuntajat. MVIT-MLKA-mallin avustamat radiologit osoittivat merkittäviä parannuksia diagnostisessa suorituskyvyssä verrattuna niihin, joilla ei ollut malliapua, ja sekä tarkkuus että herkkyys paranivat huomattavasti. Mallin tulkittavuutta parannettiin Grad-CAM-visualisoinnilla, mikä korosti tehokkaasti keskeisiä leesioalueita. MVIT-MLKA-malli erottaa tehokkaasti hyvänlaatuiset ja pahanlaatuiset haimaleesiot, ohittaen perinteiset menetelmät ja parantaen radiologin suorituskykyä. Tämä viittaa siihen, että edistyneen syväoppimismallin integroiminen kliiniseen käytäntöön voi vähentää diagnostisia virheitä ja optimoida hoitostrategioita kliinisissä käytännöissä.