在过去的几十年里，临床上对横断面成像的使用大大增加。据报道，在胰腺中，CT或MRI检测到的胰腺偶然病变的发生率为4.7%至21.0%。偶然发现的胰腺病变可以有不同的临床表现，早期发现可能会明显改善患者的预后。

然而，CT检测胰腺病变的诊断性能主要取决于放射科医生的经验水平。同时，成像检查的数量和复杂性不断增加，明显增大了放射科医生的工作量和压力，促使他们在更短的时间内阅读更多的研究报告，因此容易出现诊断错误。

据报道，人工智能在医学领域的各种任务中表现出很高的性能，而深度学习（DL）在各种医学影像相关的任务中表现出很好的效果。在这方面，DL在提高放射科医生诊断胰腺病变的图像解释效率方面起到了支持作用。

迄今为止，胰腺成像中报道的DL应用大多集中在胰腺分割上或仅限于评估单一类型的病变。然而，因为胰腺只占整个CT体素的一小部分（二维图像的1.5%和三维图像的0.5%），因此检测局灶性胰腺异常对DL具有挑战性

近日，发表在Radiology杂志的一项研究开发和验证了一种基于DL的自动识别腹部CT上各种实性和囊性胰腺肿瘤的影像学方法，并将其诊断性能与有经验的放射科医生进行了比较。

本项回顾性研究收集了2014年1月-2015年3月期间接受胰腺病变切除手术的患者和2014年接受CT检查的无胰腺异常患者子集的CT数据，并训练了一个基于三维nnU-Net的DL模型。在一个时间上独立的队列（测试集1）和一个时间和空间上独立的队列（测试集2）中评估了基于DL的方法识别胰腺病变的性能，并与两位委员会认证的放射学家的性能进行了比较。使用ROC特征分析来评估性能。

本研究包括训练组中的852名患者（中位年龄，60岁[范围，19-85岁]；462名男性），测试组1中的603名患者（中位年龄，58岁[范围，18-82岁]；376名男性），以及测试组2中的589名患者（中位年龄，63岁[范围，18-99岁]；343名男性）。在测试组1中，基于DL的方法的AUC为0.91（95% CI：0.89，0.94），在测试组2中的表现稍差（AUC，0.87[95% CI：0.84，0.89]）。基于DL的方法在识别任何大小的实性病变（98%-100%）或1.0厘米或更大的囊性病变（92%-93%）方面表现出很高的敏感性，这与放射科医生的判断相当（实性病变为95%-100%[P=0.51至P>0.99]；囊性病变≥1.0厘米为93%-98%[P=0.38至P >0.99]）。

图 基于深度学习（DL）的方法在每个测试集中的诊断性能。(A）诊断性能的混淆矩阵和（B）基于DL的二元分类和放射科医生的ROC曲线。在测试集1中，基于DL的方法的AUC为0.91（95%CI：0.89，0.94），放射科医生1的面积为0.92（95%CI：0.90，0.94），以及0.95（95%CI：0。 在测试集2中，基于DL的方法的AUC为0.87（95%CI：0.84，0.89），放射科医生1为0.95（95%CI：0.93，0.97），放射科医生2为0.96（95%CI：0.94，0.97）

本研究表明，基于深度学习的方法在识别CT上的各种实性或囊性胰腺肿瘤方面表现出很高的诊断性能，可进一步促进放射科医生对常规临床实践中遇到的偶发胰腺病变的及时发现及诊断，为提高患者的治疗效果及预后提供了技术支持。

 

原文出处：

Hyo Jung Park,Keewon Shin,Myung-Won You,et al.Deep Learning-based Detection of Solid and Cystic Pancreatic Neoplasms at Contrast-enhanced CT.DOI:10.1148/radiol.220171

Tags： Radiology：基于深度学习的偶发胰腺肿瘤的自动CT检测