【Ai医学 顶刊速递】

来源: radiology IF=15.2

【文章标题】通过基础分割模型和多模态分析进行基于 MRI 的卵巢病变分类：一项多中心研究

【材料和方法】：在这项回顾性研究中，分析了来自一家主要机构（2008 年 1 月至 2019 年 1 月）和两家外部机构（2010 年 1 月至 2020 年 10 月）的卵巢病变患者的多参数 MRI 数据集。使用 Meta 的 Segment Anything Model （SAM） 自动分割病变。然后对结合成像和临床数据的 DenseNet-121 深度学习 （DL） 模型进行外部训练和验证，用于卵巢病变分类。放射科医生使用卵巢附件报告和数据系统进行 MRI 和主观评估对病变进行评估，将其分类为良性或恶性。使用 DeLong 检验比较 DL 模型和放射科医生的分类性能。

【结果】：主要数据集包括来自机构 A（美国）的 448 名女性（平均年龄，52 岁± 15 岁 [SD]）的 534 个病灶，而外部数据集包括来自机构 B（美国）的 55 名女性（平均年龄，51 岁± 19 岁）的 58 个病灶和来自机构 C（台湾）的 29 名女性（平均年龄，49 岁± 10 岁）的 29 个病灶。SAM 辅助分割的 Dice 系数为 0.86–0.88，与手动分割相比，每个病灶的处理时间减少了 4 分钟。DL 分类模型在内部测试中实现了受试者工作特征曲线下面积（AUC）为 0.85（95%CI：0.85,0.85），在两个具有 SAM 分割图像的外部数据集中实现了 0.79（95%CI：0.79、0.79 和 0.78、0.79），与放射科医生的表现相当（AUC：0.84–0.93;所有 P > .05）。

【结论】：这些结果描述了一个准确、高效的管道，该管道将 SAM 与基于 DL 的分类相结合，用于在 MRI 扫描中区分卵巢恶性和良性病变。它减少了分割时间，并实现了与放射科医生相当的分类性能。