Дифференциация доброкачественных и злокачественных поражений поджелудочной железы (D)

Точная дифференциация доброкачественных и злокачественных поражений поджелудочной железы имеет решающее значение для ведения пациентов. Это исследование было направлено на разработку и проверку новой сети глубокого обучения с использованием базовых изображений компьютерной томографии для прогнозирования доброкачественных и злокачественных поражений поджелудочной железы. Это ретроспективное исследование в трех медицинских центрах включало группу обучения, группу внутреннего тестирования и группу внешней проверки. Для классификации поражений поджелудочной железы была разработана новая гибридная модель Multi-Scale Large Kernel Attention с Mobile Vision Transformer (MVIT-MLKA), объединяющая архитектуры CNN и Transformer. Мы сравнили производительность модели с традиционными методами машинного обучения и глубокого обучения. Кроме того, мы оценили точность диагностики рентгенологов с использованием оптимальной модели и без нее. Модель MVIT-MLKA продемонстрировала превосходную эффективность прогнозирования поражений поджелудочной железы, превосходя традиционные модели и стандартные CNN и трансформаторы. Радиологи, которым помогала модель MVIT-MLKA, продемонстрировали значительные улучшения в диагностических показателях по сравнению с теми, кто не пользовался моделью, со значительным увеличением как точности, так и чувствительности. Интерпретируемость модели была улучшена за счет визуализации Grad-CAM, эффективно выделяющей ключевые области поражения. Модель MVIT-MLKA эффективно различает доброкачественные и злокачественные поражения поджелудочной железы, превосходя традиционные методы и повышая производительность рентгенолога. Это говорит о том, что интеграция усовершенствованной модели глубокого обучения в клиническую практику может уменьшить диагностические ошибки и оптимизировать стратегии лечения в клинической практике.