Un método de aprendizaje profundo con una red neuronal convolucional CNN puede apoyar la evaluación de pequeñas masas renales sólidas en imágenes de TC dinámicas con un rendimiento diagnóstico aceptable, según un artículo publicado antes de la impresión en la edición de marzo de la American Journal of Roentgenology AJR.
Entre 2012 y 2016, los investigadores de la Universidad de Okayama de Japón estudiaron 1807 conjuntos de imágenes de 168 masas renales sólidas pequeñas ≤ 4 cm diagnosticadas patológicamente con cuatro fases de TC: sin contraste, corticomedular, nefrogénica y excretora en 159 pacientes.
Las masas se clasificaron como malignas n = 136 o benignas n = 32 utilizando una escala de 5 puntos, y este conjunto de datos se dividió aleatoriamente en cinco subconjuntos.
Como explicó el autor principal de AJR, Takashi Tanaka, "cuatro se usaron para aumento y entrenamiento supervisado 48,832 imágenes, y uno se usó para pruebas 281 imágenes".
Utilizando el modelo CNN de arquitectura Inception-v3, el AUC para malignidad y precisión con valores de corte óptimos de los datos de salida se evaluaron en seis modelos CNN diferentes.
Al no encontrar diferencias de tamaño significativas entre las lesiones malignas y benignas, el equipo de Tanaka descubrió que el valor de AUC de la fase corticomedular era más alto que el de otras fases corticomedular vs excretor, p = 0.022.
Además, la mayor precisión 88% se logró en las imágenes de fase corticomedular.
El análisis multivariado reveló que el modelo CNN de fase corticomedular era un predictor significativo de malignidad, "en comparación con otros modelos CNN, edad, sexo y tamaño de la lesión", concluyó Tanaka.
Fuente de la historia :
Materiales proporcionado por Sociedad Americana de Rayos Roentgen . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :