Differenziazione delle lesioni pancreatiche benigne e maligne (D)

La differenziazione accurata tra lesioni pancreatiche benigne e maligne è fondamentale per la gestione del paziente. Questo studio mirava a sviluppare e convalidare una nuova rete di deep learning utilizzando immagini di tomografia computerizzata di base per prevedere lesioni pancreatiche benigne e maligne. Questo studio retrospettivo su tre centri medici ha costituito una coorte di formazione, una coorte di test interni e una coorte di validazione esterna. Un nuovo modello ibrido, Multi-Scale Large Kernel Attention with Mobile Vision Transformer (MVIT-MLKA), che integra le architetture CNN e Transformer, è stato sviluppato per classificare le lesioni pancreatiche. Abbiamo confrontato le prestazioni del modello con i tradizionali metodi di machine learning e deep learning. Inoltre, abbiamo valutato l'accuratezza diagnostica dei radiologi con e senza l'assistenza ottimale del modello. Il modello MVIT-MLKA ha dimostrato prestazioni superiori nella previsione delle lesioni pancreatiche, superando i modelli tradizionali, le CNN e i Transformer standard. I radiologi assistiti dal modello MVIT-MLKA hanno mostrato miglioramenti significativi nelle prestazioni diagnostiche rispetto a quelli senza assistenza del modello, con notevoli aumenti sia di accuratezza che di sensibilità. L'interpretabilità del modello è stata migliorata attraverso la visualizzazione Grad-CAM, evidenziando efficacemente le aree chiave della lesione. Il modello MVIT-MLKA differenzia efficacemente tra lesioni pancreatiche benigne e maligne, superando i metodi tradizionali e migliorando le prestazioni del radiologo. Ciò suggerisce che l’integrazione del modello avanzato di deep learning nella pratica clinica ha il potenziale per ridurre gli errori diagnostici e ottimizzare le strategie di trattamento nelle pratiche cliniche.