基于深度学习的先进诊断影像检查自动化协议定义工具
机器学习
2021-06-17 v1 图像与视频处理
医学物理
摘要
目的：本研究评估使用自然语言处理（NLP）和深度学习（DL）进行基于申请的磁共振成像（MRI）检查自动协议分配的有效性与影响。方法：应用NLP工具回顾性处理来自超过116,000例MRI检查的申请，涵盖200种独特的亚专科协议（“本地”协议类）。分别在已处理数据的70%上训练独立的DL模型，用于“本地”协议以及93种美国放射学会（“ACR”）协议和48种“通用”协议。DL模型在“自动协议化（AP）”推理模式下进行评估，该模式返回首选推荐；并在“临床决策支持（CDS）”推理模式下进行评估，该模式返回最多10种协议供放射科医生审阅。根据对应神经网络对前两项推荐的归一化输出分数之差，计算并分析每种协议推荐的准确性。结果：在AP模式下，对“通用”、“ACR”和“本地”协议类的测试案例，首选预测协议的正确率分别为82.8%、73.8%和69.3%。在CDS模式下，所有协议类均获得超过96%的更高准确率。然而，在当前验证性能水平下，所提模型对大规模影像网络仅产生温和、正向的经济影响。结论：基于DL的协议自动化是可行的，并可被调优以将大量检查路由至自动协议化，且对更通用的协议准确率更高。对所测试算法的经济分析表明，需要改进算法性能才能产生用于亚专科影像检查的实用检查自动协议化工具。
引用
@article{arxiv.2106.08963,
title = {Deep-learning based Tools for Automated Protocol Definition of Advanced Diagnostic Imaging Exams},
author = {Andrew S. Nencka and Mohammad Sherafati and Timothy Goebel and Parag Tolat and Kevin M. Koch},
journal= {arXiv preprint arXiv:2106.08963},
year = {2021}
}