Différenciation des lésions pancréatiques bénignes et malignes (D)

Une différenciation précise entre les lésions pancréatiques bénignes et malignes est essentielle pour la prise en charge des patients. Cette étude visait à développer et à valider un nouveau réseau d'apprentissage profond utilisant des images de tomodensitométrie de base pour prédire les lésions pancréatiques bénignes et malignes. Cette étude rétrospective portant sur trois centres médicaux constituait une cohorte de formation, une cohorte de tests internes et une cohorte de validation externe. Un nouveau modèle hybride, Multi-Scale Large Kernel Attention with Mobile Vision Transformer (MVIT-MLKA), intégrant les architectures CNN et Transformer, a été développé pour classer les lésions pancréatiques. Nous avons comparé les performances du modèle avec les méthodes traditionnelles d'apprentissage automatique et d'apprentissage profond. De plus, nous avons évalué la précision du diagnostic des radiologues avec et sans l'assistance optimale du modèle. Le modèle MVIT-MLKA a démontré des performances supérieures pour prédire les lésions pancréatiques, surpassant les modèles traditionnels et les CNN et transformateurs standards. Les radiologues assistés par le modèle MVIT-MLKA ont montré des améliorations significatives des performances diagnostiques par rapport à ceux sans l'aide du modèle, avec des augmentations notables en termes de précision et de sensibilité. L'interprétabilité du modèle a été améliorée grâce à la visualisation Grad-CAM, mettant efficacement en évidence les zones lésionnelles clés. Le modèle MVIT-MLKA différencie efficacement les lésions pancréatiques bénignes et malignes, surpassant les méthodes traditionnelles et améliorant les performances du radiologue. Cela suggère que l’intégration d’un modèle d’apprentissage profond avancé dans la pratique clinique a le potentiel de réduire les erreurs de diagnostic et d’optimiser les stratégies de traitement dans les pratiques cliniques.