日本語AIでPubMedを検索
ディープラーニングによる超音波検査での良性・悪性固形肝病変の鑑別
Deep learning for differentiation of benign and malignant solid liver lesions on ultrasonography.
PMID: 32681268 DOI: 10.1007/s00261-020-02564-w.
抄録
目的:
超音波検査で良性の固形肝病変と悪性の固形肝病変を確実に区別できるようになると、アクセスが増え、コストが下がり、生検を受ける患者のトリアージが改善される可能性がある。本研究では、超音波の外観に基づいて良性と悪性の巣状固形肝病変を鑑別するために、ディープラーニングを使用した。
PURPOSE: The ability to reliably distinguish benign from malignant solid liver lesions on ultrasonography can increase access, decrease costs, and help to better triage patients for biopsy. In this study, we used deep learning to differentiate benign from malignant focal solid liver lesions based on their ultrasound appearance.
方法:
包括基準を満たした596人の患者のうち、個々の肝臓病変の画像が911枚あり、そのうち535枚が悪性、376枚が良性であった。トレーニングセットには、トレーニング中に動的に拡張された660の病変が含まれており、合計33万枚の画像がありましたが、テストセットには79枚の画像が含まれていました。ResNet50アーキテクチャのニューラルネットワークは、ImageNet上で事前に訓練された重みを用いて微調整された。組織病理学またはMRIで確定診断がついた非嚢胞性肝病変を対象とした。最終モデルの精度を専門家による解釈と比較した。トレーニングと評価には、すべての病変を対象としたものと、Code Abdomenレーティングシステムに基づいて診断が不明確と判断された病変を対象としたものの2つのデータセットを使用した。
METHODS: Among the 596 patients who met the inclusion criteria, there were 911 images of individual liver lesions, of which 535 were malignant and 376 were benign. Our training set contained 660 lesions augmented dynamically during training for a total of 330,000 images; our test set contained 79 images. A neural network with ResNet50 architecture was fine-tuned using pre-trained weights on ImageNet. Non-cystic liver lesions with definite diagnosis by histopathology or MRI were included. Accuracy of the final model was compared with expert interpretation. Two separate datasets were used in training and evaluation, one with all lesions and one with lesions deemed to be of uncertain diagnosis based on the Code Abdomen rating system.
結果:
すべての病変の完全集合で訓練された我々のモデルは、試験精度0.80（95% CI 0.70-0.87）のエキスパート1と試験精度0.73（95% CI 0.63-0.82）のエキスパート2と比較して、0.84（95% CI 0.74-0.90）の試験精度を達成した。病変の不確かなセットで訓練された我々のモデルは、試験精度0.70（95% CI 0.59-0.78）のエキスパート1と試験精度0.66（95% CI 0.55-0.75）のエキスパート2と比較して、0.79（95% CI 0.69-0.87）の試験精度を達成した。不確実なデータセットでは、すべての専門家の平均値と比較して、モデルはより高い検定精度を示した（0.79 vs. 0.68, p=0.025）。
RESULTS: Our model trained on the complete set of all lesions achieved a test accuracy of 0.84 (95% CI 0.74-0.90) compared to expert 1 with a test accuracy of 0.80 (95% CI 0.70-0.87) and expert 2 with a test accuracy of 0.73 (95% CI 0.63-0.82). Our model trained on the uncertain set of lesions achieved a test accuracy of 0.79 (95% CI 0.69-0.87) compared to expert 1 with a test accuracy of 0.70 (95% CI 0.59-0.78) and expert 2 with a test accuracy of 0.66 (95% CI 0.55-0.75). On the uncertain dataset, compared to all experts averaged, the model had higher test accuracy (0.79 vs. 0.68, p = 0.025).
結論:
本研究で提案されたディープラーニングアルゴリズムは、超音波で撮影された固形肝病変の良性と悪性の鑑別を改善し、専門家の放射線技師と比較しても遜色ない性能を発揮する。ディープラーニングツールは、臨床ワークフローの精度と効率性を向上させるために潜在的に使用できる可能性があります。
CONCLUSION: Deep learning algorithms proposed in the current study improve differentiation of benign from malignant ultrasound-captured solid liver lesions and perform comparably to expert radiologists. Deep learning tools can potentially be used to improve the accuracy and efficiency of clinical workflows.