著名医師による解説が無料で読めます
すると翻訳の精度が向上します
背景：WILMS腫瘍（WT）の放射線量評価は、治療の決定を導くための重要な指標です。しかし、腫瘍の不均一性のため、放射線科医は診断の主なガードの違いがあり、誤診や治療の不良につながる可能性があります。この研究の目的は、WTフォクティのCTベースの輪郭を深い学習を使用して自動化できるかどうかを調査することでした。 方法：2人の放射線科医によるWTと二重盲検病変の輪郭を描いた105人の患者のCT静脈内相画像を含めました。次に、nnunetを使用して自動セグメンテーションモデルをトレーニングしました。パフォーマンスを評価するために、サイコロの類似性係数（DSC）と95パーセンタイルのHausdorff距離（HD95）を使用しました。次に、病変の3次元直径の比率に基づいて自動セグメンテーション結果を最適化して、体積評価の性能を向上させました。 結果：DSCとHD95は0.83±0.22および10.50±8.98 mmでした。腫瘍サイズの絶対差と割合の差は、72.27±134.84 cm3および21.08％±30.46％でした。私たちの方法に従って最適化後、それは40.22±96.06 cm3と10.16％±9.70％に減少しました。 結論：AIの自動アウトラインと3D腫瘍径を統合することにより、WT体積を予測する精度を高める新しい方法を導入します。このアプローチは、AIの結果のみを使用する精度を上回り、WTの小児患者の臨床評価を強化する可能性があります。臨床データとAIの結果を絡み合うことにより、この方法はより解釈的になり、他の小児疾患に拡張されたWilms腫瘍を超えた有望なアプリケーションを提供します。
背景：WILMS腫瘍（WT）の放射線量評価は、治療の決定を導くための重要な指標です。しかし、腫瘍の不均一性のため、放射線科医は診断の主なガードの違いがあり、誤診や治療の不良につながる可能性があります。この研究の目的は、WTフォクティのCTベースの輪郭を深い学習を使用して自動化できるかどうかを調査することでした。 方法：2人の放射線科医によるWTと二重盲検病変の輪郭を描いた105人の患者のCT静脈内相画像を含めました。次に、nnunetを使用して自動セグメンテーションモデルをトレーニングしました。パフォーマンスを評価するために、サイコロの類似性係数（DSC）と95パーセンタイルのHausdorff距離（HD95）を使用しました。次に、病変の3次元直径の比率に基づいて自動セグメンテーション結果を最適化して、体積評価の性能を向上させました。 結果：DSCとHD95は0.83±0.22および10.50±8.98 mmでした。腫瘍サイズの絶対差と割合の差は、72.27±134.84 cm3および21.08％±30.46％でした。私たちの方法に従って最適化後、それは40.22±96.06 cm3と10.16％±9.70％に減少しました。 結論：AIの自動アウトラインと3D腫瘍径を統合することにより、WT体積を予測する精度を高める新しい方法を導入します。このアプローチは、AIの結果のみを使用する精度を上回り、WTの小児患者の臨床評価を強化する可能性があります。臨床データとAIの結果を絡み合うことにより、この方法はより解釈的になり、他の小児疾患に拡張されたWilms腫瘍を超えた有望なアプリケーションを提供します。
BACKGROUND: Radiologic volumetric evaluation of Wilms' tumor (WT) is an important indicator to guide treatment decisions. However, due to the heterogeneity of the tumors, radiologists have main-guard differences in diagnosis that can lead to misdiagnosis and poor treatment. The aim of this study was to explore whether CT-based outlining of WT foci can be automated using deep learning. METHODS: We included CT intravenous phase images of 105 patients with WT and double-blind outlining of lesions by two radiologists. Then, we trained an automatic segmentation model using nnUnet. The Dice similarity coefficient (DSC) and 95th percentile Hausdorff distance (HD95) were used to assess the performance. Next, we optimized the automatic segmentation results based on the ratio of the three-dimensional diameter of the lesion to improve the performance of volumetric assessment. RESULTS: The DSC and HD95 was 0.83 ± 0.22 and 10.50 ± 8.98 mm. The absolute difference and percentage difference in tumor size was 72.27 ± 134.84 cm3 and 21.08% ± 30.46%. After optimization according to our method, it decreased to 40.22 ± 96.06 cm3 and 10.16% ± 9.70%. CONCLUSION: We introduce a novel method that enhances the accuracy of predicting WT volume by integrating AI automated outlining and 3D tumor diameters. This approach surpasses the accuracy of using AI outcomes alone and has the potential to enhance the clinical evaluation of pediatric patients with WT. By intertwining AI outcomes with clinical data, this method becomes more interpretive and offers promising applications beyond Wilms tumor, extending to other pediatric diseases.
医師のための臨床サポートサービス
ヒポクラ x マイナビのご紹介
無料会員登録していただくと、さらに便利で効率的な検索が可能になります。