Diferenciação de lesões pancreáticas benignas e malignas (D)

A diferenciação precisa entre lesões pancreáticas benignas e malignas é crítica para o manejo do paciente. Este estudo teve como objetivo desenvolver e validar uma nova rede de aprendizagem profunda usando imagens de tomografia computadorizada de base para prever lesões pancreáticas benignas e malignas. Este estudo retrospectivo em três centros médicos constituiu uma coorte de treinamento, uma coorte de testes internos e uma coorte de validação externa. Um novo modelo híbrido, Multi-Scale Large Kernel Attention with Mobile Vision Transformer (MVIT-MLKA), integrando arquiteturas CNN e Transformer, foi desenvolvido para classificar lesões pancreáticas. Comparamos o desempenho do modelo com métodos tradicionais de aprendizado de máquina e aprendizado profundo. Além disso, avaliamos a acurácia diagnóstica dos radiologistas com e sem a assistência do modelo ideal. O modelo MVIT-MLKA demonstrou desempenho superior na previsão de lesões pancreáticas, superando os modelos tradicionais e CNNs e Transformers padrão. Os radiologistas assistidos pelo modelo MVIT-MLKA mostraram melhorias significativas no desempenho diagnóstico em comparação com aqueles sem assistência do modelo, com aumentos notáveis ​​na precisão e na sensibilidade. A interpretabilidade do modelo foi aprimorada por meio da visualização Grad-CAM, destacando efetivamente as principais áreas de lesão. O modelo MVIT-MLKA diferencia efetivamente entre lesões pancreáticas benignas e malignas, superando os métodos tradicionais e melhorando o desempenho do radiologista. Isto sugere que a integração do modelo avançado de aprendizagem profunda na prática clínica tem o potencial de reduzir erros de diagnóstico e otimizar estratégias de tratamento na prática clínica.