Differensiering av benigne og ondartede bukspyttkjertelskader (D)

Nøyaktig differensiering mellom benigne og ondartede bukspyttkjertelskader er avgjørende for pasientbehandling. Denne studien hadde som mål å utvikle og validere et nytt dyplæringsnettverk ved å bruke baseline datatomografibilder for å forutsi godartede og ondartede bukspyttkjertelskader. Denne retrospektive studien på tvers av tre medisinske sentre utgjorde en treningskohort, en intern testingskohort og en ekstern valideringskohort. En ny hybridmodell, Multi-Scale Large Kernel Attention med Mobile Vision Transformer (MVIT-MLKA), som integrerer CNN- og Transformer-arkitekturer, ble utviklet for å klassifisere lesjoner i bukspyttkjertelen. Vi sammenlignet modellens ytelse med tradisjonell maskinlæring og dyplæringsmetoder. Dessuten evaluerte vi radiologers diagnostiske nøyaktighet med og uten optimal modellassistanse. MVIT-MLKA-modellen demonstrerte overlegen ytelse for å forutsi bukspyttkjertelskader, utkonkurrerte tradisjonelle modeller og standard CNN-er og transformatorer. Radiologer assistert av MVIT-MLKA-modellen viste signifikante forbedringer i diagnostisk ytelse sammenlignet med de uten modellhjelp, med bemerkelsesverdige økninger i både nøyaktighet og sensitivitet. Modelltolkbarheten ble forbedret gjennom Grad-CAM-visualisering, som effektivt fremhever viktige lesjonsområder. MVIT-MLKA-modellen skiller effektivt mellom benigne og ondartede bukspyttkjertelskader, overgår tradisjonelle metoder og forbedrer radiologytelsen. Dette antyder at integrering av avansert dyplæringsmodell i klinisk praksis har potensial til å redusere diagnostiske feil og optimalisere behandlingsstrategier i klinisk praksis.