iis7发布静态网站,做结婚视频储存网站,成功营销案例,赚钱游戏排行榜第一名Large-scale pancreatic cancer detection via non-contrast CT and deep learning - PubMed (nih.gov) 
实验团队#xff1a;海军军医大学第一附属医院#xff08;上海长海医院#xff09;#xff0c;放射诊断科曹凯主治医生为共同第一作者#xff0c;邵成伟、陆建平等教…Large-scale pancreatic cancer detection via non-contrast CT and deep learning - PubMed (nih.gov) 
实验团队海军军医大学第一附属医院上海长海医院放射诊断科曹凯主治医生为共同第一作者邵成伟、陆建平等教授为共同通讯作者的“平扫CT联用人工智能大规模检测胰腺癌的研究”在国际顶级医学期刊《自然医学》Nature Medicine2022影响因子IF82.9以原创论著形式正式发表。 
技术路线 PANDA模型 
作者建立了一个深度学习模型PANDA该模型由三个网络阶段的级联组成。 
第一阶段涉及胰腺定位使用 nnU-Net 模型。 
第二阶段进行病灶检测我们构建卷积神经网络CNNs和分类头以区分非增强CT中病灶的细微纹理变化。作者调整了第 2 阶段模型以在训练集的交叉验证中实现 99% 的病变检测特异性以减少假阳性预测。 
第三阶段涉及胰腺病变的鉴别诊断如果在第二阶段检测到任何异常则与辅助记忆变压器分支相结合自动编码胰腺病变的特征原型如局部纹理、位置和胰腺形状以便更准确地进行细粒度分类。 
作者用三个任务评估PANDA模型的效能第一项任务是病变检测即病变与正常其中还包括按病变类型和癌症分期分层的检出率。第二项任务是初步诊断PDAC与非PDAC与正常其中还包括评估一个与其他诊断例如PDAC识别PDAC与非PDAC正常。第三项任务是鉴别诊断即对PDAC和7种非PDAC病变胰腺神经内分泌肿瘤PNET实体假状肿瘤SPT导管内状粘液性肿瘤IPMN粘液性囊性肿瘤MCN浆液性囊性肿瘤SCN慢性胰腺炎和“其他”亚型进行分类。 验证评估 结果 
人工智能胰腺癌检测PANDA它能通过非对比CT高精度地检测胰腺病变并对其进行分类。PANDA 是在一个中心的 3208 名患者的数据集上进行训练的。在一项涉及 10 个中心 6,239 名患者的多中心验证中PANDA 的病变检测接收器操作特征曲线下面积 (AUC) 达到 0.986-0.996在 PDAC 识别方面PANDA 的灵敏度和特异度分别比放射科医生的平均值高出 34.1% 和 6.3%在一项由 20,530 名连续患者组成的真实世界多场景验证中PANDA 的病变检测灵敏度和特异度分别达到 92.9% 和 99.9%。值得注意的是在区分常见胰腺病变亚型方面PANDA 与非对比 CT 结合使用显示出不逊于放射学报告使用对比增强 CT。PANDA 有可能成为大规模胰腺癌筛查的新工具。 
详细见原文献 
1Large-scale pancreatic cancer detection via non-contrast CT and deep learning