Two‑Stage Deep Learning Model for Adrenal Nodule Detection on CT Images: A Retrospective Study.
研究背景
肾上腺结节在成人尤其是老年人中常见，多在腹部CT检查时偶然发现。约5%为恶性，20%为功能性结节，可致较高发病率和死亡率。准确检测和分类肾上腺结节对管理至关重要，本研究旨在开发并测试深度学习模型，减少误诊率、提高患者预后。
方法速览
采用两阶段深度学习架构，含检测和分割模型。检测模型定位肾上腺及结节，分割模型检测结节具体信息。模型在内部数据集训练验证，在两个外部数据集测试，用AUC等指标评估性能，还模拟了结合模型和放射学解读的分诊性能。
主要发现
- 高性能检测：内部测试集1中，检测右、左肾上腺结节AUC分别为0.98、0.93；外部测试集检测右、左肾上腺结节AUC分别为0.98、0.97。
- 结节大小影响性能：模型对大于1.5cm的结节检测效果好，对1‑1.4cm结节检测性能低。
- 优于传统报告：外部测试集中，模型检测肾上腺结节数量显著多于历史放射学报告，敏感性也更高。
- 结合解读效果好：模拟显示结合模型和放射学解读可提高敏感性和特异性，如阈值设置3时，分诊性能达97.5%。
- 结节分类出色：分类模型区分非腺瘤和腺瘤结节平均准确率为0.82。
总结展望
本研究的两阶段深度学习模型在肾上腺结节检测和分类上表现出色，结合放射学解读可显著减少误诊率。但研究存在回顾性设计、仅用增强CT等局限，未来需进一步改进以扩大其临床应用范围。