Deep learning analysis of MRI accurately detects early-stage perihilar cholangiocarcinoma in patients with primary sclerosing cholangitis
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Among those with primary sclerosing cholangitis (PSC), perihilar cholangiocarcinoma (pCCA) is often diagnosed at a late stage and is a leading source of mortality. Detection of pCCA in PSC when curative action can be taken is challenging. Our aim was to create a deep learning model that analyzed MRI to detect early-stage pCCA and compare its diagnostic performance with expert radiologists. APPROACH AND RESULTS: We conducted a multicenter, international, retrospective cohort study involving adults with large duct PSC who underwent contrast-enhanced MRI. Senior abdominal radiologists reviewed the images. All patients with pCCA had early-stage cancer and were registered for liver transplantation. We trained a 3D DenseNet-121 model, a form of deep learning, using MRI images and assessed its performance in a separate test cohort. The study included 398 patients (training cohort n=150; test cohort n=248). pCCA was present in 230 individuals (training cohort n=64; test cohort n=166). In the test cohort, the respective performances of the model compared to the radiologists were: sensitivity 87.9% versus 50.0%, p <0.001; specificity 84.1% versus 100.0%, p <0.001; area under receiving operating curve 86.0% versus 75.0%, p <0.001. Even when a mass was absent, the model had a higher sensitivity for pCCA than radiologists (91.6% vs. 50.6%, p <0.001) and maintained good specificity (84.1%). CONCLUSIONS: The 3D DenseNet-121 MRI model effectively detects early-stage pCCA in PSC patients. Compared to expert radiologists, the model missed fewer cases of cancer.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».