Differentiatie van goedaardige en kwaadaardige pancreaslaesies (D)

Nauwkeurig onderscheid tussen goedaardige en kwaadaardige pancreaslaesies is van cruciaal belang voor de behandeling van patiënten. Deze studie had tot doel een nieuw deep learning-netwerk te ontwikkelen en te valideren met behulp van basiscomputertomografiebeelden om goedaardige en kwaadaardige pancreaslaesies te voorspellen. Deze retrospectieve studie in drie medische centra bestond uit een opleidingscohort, een intern testcohort en een externe validatiecohort. Een nieuw hybride model, Multi-Scale Large Kernel Attention with Mobile Vision Transformer (MVIT-MLKA), dat CNN- en Transformer-architecturen integreert, werd ontwikkeld om pancreaslaesies te classificeren. We vergeleken de prestaties van het model met traditionele machine learning- en deep learning-methoden. Bovendien evalueerden we de diagnostische nauwkeurigheid van radiologen met en zonder de optimale modelondersteuning. Het MVIT-MLKA-model demonstreerde superieure prestaties voor het voorspellen van pancreaslaesies en presteerde beter dan traditionele modellen en standaard CNN's en Transformers. Radiologen bijgestaan ​​door het MVIT-MLKA-model lieten significante verbeteringen zien in de diagnostische prestaties vergeleken met degenen zonder modelondersteuning, met opmerkelijke toenamen in zowel nauwkeurigheid als gevoeligheid. De interpreteerbaarheid van het model werd verbeterd door middel van Grad-CAM-visualisatie, waardoor belangrijke laesiegebieden effectief worden benadrukt. Het MVIT-MLKA-model maakt op effectieve wijze onderscheid tussen goedaardige en kwaadaardige pancreaslaesies, overtreft traditionele methoden en verbetert de prestaties van radiologen. Dit suggereert dat het integreren van een geavanceerd deep learning-model in de klinische praktijk het potentieel heeft om diagnostische fouten te verminderen en behandelstrategieën in de klinische praktijk te optimaliseren.