壹生资讯-基于MRI的深度学习分类器的开发和验证，用于区分肛周瘘管性克罗恩病和隐腺瘘

您已通过HCP身份认证和信息审核

(

基于MRI的深度学习分类器的开发和验证，用于区分肛周瘘管性克罗恩病和隐腺瘘 | 消化研究展播

2025-03-21作者：论坛报小塔资讯

原创

成果名称：基于MRI的深度学习分类器的开发和验证，用于区分肛周瘘管性克罗恩病和隐腺瘘：一项多中心队列研究

Development and validation of the MRI-based deep learning classifier for distinguishing perianal fistulizing Crohn’s disease from cryptoglandular fistula: a multicenter cohort study

发表期刊：《电子临床医学》（eClinicalMedicine）（Q1区，IF2023：15.1）

通讯作者：林宏城任东林

主要作者单位：中山大学附属第六医院

研究解读

2024年11月22日，中山大学附属第六医院林宏城教授等在Lancet子刊《电子临床医学》（eClinicalMedicine）（Q1区，IF2023：15.1）在线发表研究论文，旨在开发和验证一种基于MRI的深度学习分类器，以有效区分这两种疾病。

本研究回顾性纳入了2015年1月1日至2021年12月31日期间来自中国三家三级转诊医院的1054例肛周瘘管型克罗恩病（PFCD）或隐窝腺源性瘘管（CGF）患者。患者被分为四个队列：训练队列（n=800）、验证队列（n=100）、内部测试队列（n=100）和外部测试队列（n=54）。使用包含44871张MRI图像的数据集，采用迁移学习策略分别训练了两个深度卷积神经网络（DCNN），即MobileNetV2和ResNet50。通过受试者工作特征曲线（ROC）分析、准确率、敏感性和特异性等多种指标，比较了DCNN模型与放射科医生的性能。采用DeLong检验比较曲线下面积（AUC）。进行了单因素和多因素分析，以探索与分类器性能相关的潜在因素。

研究共纳入了532例PFCD患者和522例CGF患者。在内部测试队列中，两个预训练的DCNN分类器均取得了令人鼓舞的性能（MobileNetV2 AUC：0.962，95% CI 0.903-0.990；ResNet50 AUC：0.963，95% CI 0.905-0.990），在外部测试队列中也表现良好（MobileNetV2 AUC：0.885，95% CI 0.769-0.956；ResNet50 AUC：0.874，95% CI 0.756-0.949）。它们的AUC均高于放射科医生（所有p≤0.001），而两者之间的AUC相当（在两个测试队列中，p值分别为0.83和0.60）。在病因诊断中，潜在特征对预训练的MobileNetV2分类器性能无显著影响。既往瘘管手术对内部测试队列中预训练的ResNet50分类器性能有影响（OR 0.157，95% CI 0.025-0.997，p=0.05）。

与人工视觉评估相比，开发的DCNN分类器在区分PFCD和CGF方面表现出更强的稳定性，显示出其辅助早期发现PFCD的潜力。本研究发现MobileNetV2在泛化性能上优于ResNet50，更适合在移动终端上部署。

每一项临床研究都倾注着研究团队的心血结晶。学习过后，您是否有所收获？或有疑问想与主创团队分享？请在评论区留言，期待与您交流！

END

200 评论

知情同意书

基于MRI的深度学习分类器的开发和验证，用于区分肛周瘘管性克罗恩病和隐腺瘘 | 消化研究展播

热门资讯

关于我们

中国医学论坛报微信矩阵

助力乡村振兴帮扶行动

友情链接