Differentiering av benigna och maligna bukspottkörtelskador (D)

Noggrann differentiering mellan benigna och maligna bukspottkörtelskador är avgörande för patienthantering. Denna studie syftade till att utveckla och validera ett nytt nätverk för djupinlärning med hjälp av datortomografibilder för att förutsäga benigna och maligna bukspottkörtelskador. Denna retrospektiva studie över tre vårdcentraler utgjorde en utbildningskohort, en intern testkohort och en extern valideringskohort. En ny hybridmodell, Multi-Scale Large Kernel Attention med Mobile Vision Transformer (MVIT-MLKA), som integrerar CNN- och Transformer-arkitekturer, utvecklades för att klassificera bukspottkörtelskador. Vi jämförde modellens prestanda med traditionell maskininlärning och metoder för djupinlärning. Dessutom utvärderade vi radiologers diagnostiska noggrannhet med och utan optimal modellassistans. MVIT-MLKA-modellen visade överlägsen prestanda för att förutsäga bukspottkörtelskador, överträffade traditionella modeller och standard CNN och transformatorer. Radiologer med hjälp av MVIT-MLKA-modellen visade signifikanta förbättringar i diagnostisk prestanda jämfört med de utan modellhjälp, med anmärkningsvärda ökningar i både noggrannhet och känslighet. Modelltolkbarheten förbättrades genom Grad-CAM-visualisering, vilket effektivt lyfter fram viktiga lesionsområden. MVIT-MLKA-modellen skiljer effektivt mellan benigna och maligna bukspottkörtellesioner, överträffar traditionella metoder och förbättrar radiologprestanda. Detta tyder på att integration av avancerad djupinlärningsmodell i klinisk praxis har potential att minska diagnostiska fel och optimera behandlingsstrategier i klinisk praxis.