一种基于CT图像的肾癌病理分型鲁棒深度学习方法及其不确定性估计
图像与视频处理
2023-11-14 v2 计算机视觉与模式识别
机器学习
医学物理
定量方法
摘要
目的 开发并验证一种结合不确定性估计的基于深度学习的诊断模型，以辅助放射科医生基于CT图像在术前区分肾细胞癌（RCC）的病理亚型。方法 回顾性收集来自中心1的668例经病理证实为RCC的连续患者数据。通过使用五折交叉验证，开发了一种结合不确定性估计的深度学习模型，将RCC亚型分类为透明细胞RCC（ccRCC）、乳头状RCC（pRCC）和嫌色RCC（chRCC）。来自中心2的78例患者外部验证集进一步评估了模型性能。结果 在五折交叉验证中，该模型对ccRCC、pRCC和chRCC分类的受试者工作特征曲线下面积（AUC）分别为0.868（95% CI：0.826-0.923）、0.846（95% CI：0.812-0.886）和0.839（95% CI：0.802-0.88）。在外部验证集中，ccRCC、pRCC和chRCC的AUC分别为0.856（95% CI：0.838-0.882）、0.787（95% CI：0.757-0.818）和0.793（95% CI：0.758-0.831）。结论 所开发的深度学习模型在预测RCC病理亚型方面表现出鲁棒性能，而所结合的不确定性强调了理解模型置信度的重要性，这对于辅助肾肿瘤患者的临床决策至关重要。临床相关性声明 我们集成不确定性估计的深度学习方法为临床医生提供双重优势：准确的RCC亚型预测辅以诊断置信度参考，促进RCC患者的知情决策。
引用
@article{arxiv.2311.00567,
title = {A Robust Deep Learning Method with Uncertainty Estimation for the Pathological Classification of Renal Cell Carcinoma based on CT Images},
author = {Ni Yao and Hang Hu and Kaicong Chen and Chen Zhao and Yuan Guo and Boya Li and Jiaofen Nan and Yanting Li and Chuang Han and Fubao Zhu and Weihua Zhou and Li Tian},
journal= {arXiv preprint arXiv:2311.00567},
year = {2023}
}
备注
16 pages, 6 figures