Согласно статье, опубликованной в мартовском выпуске Американского журнала рентгенологии, метод глубокого обучения со сверточной нейронной сетью (CNN) может поддерживать оценку небольших твердых образований почек на динамических КТ-изображениях с приемлемой диагностической эффективностью. (AJR).
В период с 2012 по 2016 год исследователи из японского университета Окаяма изучили 1807 наборов изображений из 168 патологически диагностированных небольших (≤ 4 см) твердых образований почек с четырьмя фазами КТ – неусиленной, кортикомедуллярной, нефрогенной и экскреторной – у 159 пациентов.
Массы были классифицированы как злокачественные (n = 136) или доброкачественные (n = 32) с использованием 5-балльной шкалы, а затем этот набор данных был случайным образом разделен на пять подмножеств.
Как объяснил ведущий автор AJR Такаши Танака, "четыре были использованы для увеличения и обучения с учителем (48 832 изображения), а одно было использовано для тестирования (281 изображение)."
Используя модель CNN архитектуры Inception-v3, AUC для злокачественности и точности при оптимальных значениях отсечки выходных данных были оценены в шести различных моделях CNN.
Не обнаружив существенной разницы в размерах между злокачественными и доброкачественными образованиями, команда Танаки обнаружила, что значение AUC кортикомедуллярной фазы было выше, чем у других фаз (кортикомедуллярная или экскреторная, p = 0.022).
Кроме того, самая высокая точность (88%) была достигнута на изображениях кортикомедуллярной фазы.
Многофакторный анализ показал, что модель кортикомедуллярной фазы CNN является значимым предиктором злокачественного новообразования, "по сравнению с другими моделями CNN, возраст, пол и размер поражения," Танака заключил.