Автоматическое распознавание инциденталом надпочечников с использованием двухэтапной каскадной сети: многоцентровое исследование

Введение: Частота инциденталом надпочечников (AI) ежегодно увеличивается. Раннее выявление AI помогает лучше вести заболевания надпочечников, особенно субклинический первичный альдостеронизм, синдром Кушинга и феохромоцитому.

Методы: В этом многоцентровом ретроспективном исследовании оценили 778 пациентов из трех медицинских центров. Двухэтапная каскадная сеть включала 3D Res-Unet для сегментации надпочечников и классификатор для определения наличия AI. Сегментационную сеть оценивали главным образом по коэффициенту схожести Dice (DSC), а классификатор — по площади под кривой «операционная характеристика приемник» (AUC), точности, чувствительности и специфичности. Для сравнения качества классификации каскадной сети и ручной сегментации использовали тест Дилонга.

Результаты: 443 пациента были случайным образом распределены в соотношении 7:3, с учетом стратифицированной выборки, в обучающую и валидационную выборки когорты разработки модели, а 335 пациентов из трех центров включили в тестовую когорту. В валидационной выборке AUC модели для выявления AI слева составила 88,15%, а для выявления AI справа — 87,90%. Значимых различий между качеством модели и ручной сегментацией AI не было (> 0,05). В тестовой когорте каскадная сеть достигла AUC более 80% и точности более 75% как для левого, так и для правого надпочечника.

Выводы: Двухэтапная каскадная сеть на основе алгоритма глубокого обучения может использоваться для автоматического распознавания AI на нативной КТ, полученной в разных центрах.