A hasnyálmirigy jóindulatú és rosszindulatú elváltozásainak megkülönböztetése (D)

A jóindulatú és rosszindulatú hasnyálmirigy-elváltozások pontos megkülönböztetése kritikus fontosságú a betegek kezelésében. Ennek a tanulmánynak az volt a célja, hogy kidolgozzon és validáljon egy új mély tanulási hálózatot, amely számítógépes tomográfiás felvételeket használ a jóindulatú és rosszindulatú hasnyálmirigy-elváltozások előrejelzésére. Ez a három egészségügyi központot érintő retrospektív vizsgálat egy képzési kohorszból, egy belső tesztelési csoportból és egy külső validációs kohorszból állt. A hasnyálmirigy-elváltozások osztályozására kifejlesztettek egy új hibrid modellt, a Multi-Scale Large Kernel Attention with Mobile Vision Transformer (MVIT-MLKA), amely integrálja a CNN és ​​a Transformer architektúrákat. Összehasonlítottuk a modell teljesítményét a hagyományos gépi tanulási és mély tanulási módszerekkel. Ezenkívül értékeltük a radiológusok diagnosztikai pontosságát az optimális modelltámogatással és anélkül is. Az MVIT-MLKA modell kiváló teljesítményt mutatott a hasnyálmirigy-elváltozások előrejelzésében, felülmúlva a hagyományos modelleket és a szabványos CNN-eket és transzformátorokat. Az MVIT-MLKA modellel támogatott radiológusok szignifikáns javulást mutattak a diagnosztikai teljesítményben azokhoz képest, akik nem kaptak modellt, mind a pontosság, mind az érzékenység terén. A modell értelmezhetőségét a Grad-CAM vizualizáció javította, hatékonyan kiemelve a kulcsfontosságú elváltozási területeket. Az MVIT-MLKA modell hatékonyan különbözteti meg a jóindulatú és rosszindulatú hasnyálmirigy-elváltozásokat, felülmúlva a hagyományos módszereket és javítja a radiológusok teljesítményét. Ez arra utal, hogy a fejlett mély tanulási modell integrálása a klinikai gyakorlatba csökkentheti a diagnosztikai hibákat és optimalizálhatja a kezelési stratégiákat a klinikai gyakorlatban.