arXiv cs.AI· Emma Sarfati, Alexandre B\^one, Pietro Gori, Sisi Yang, Marc-Michel Roh\'e, Fran\c{c}ois Nicolas, Jeong-Min Lee, Jeong Hee Yoon, Maxime Ronot, Isabelle Bloch, Christophe Aub\'e·· 12 小时前AI 评分38
dLI-RADS：基于多期 CT 的可解释深度学习肝细胞癌早期诊断方法
An interpretable deep learning method for early hepatocellular carcinoma diagnosis on multiphase CT
AI 导读
研究者提出 dLI-RADS，一种从多期 CT 图像估计肝细胞癌概率的可解释 AI 方法，将神经网络预测与反映 LI-RADS 主要特征的定量影像测量结合，经逻辑回归整合。在多中心回顾性研究中，其病灶级准确率 80%，优于 LI-RADS 的 74%（p = 0.04），非劣效性检验通过。
正文 · AI 翻译
作者：Emma Sarfati、Alexandre Bône、Pietro Gori、Sisi Yang、Marc-Michel Rohé、François Nicolas、Jeong-Min Lee、Jeong Hee Yoon、Maxime Ronot、Isabelle Bloch、Christophe Aubé
摘要：肝细胞癌的早期诊断对于保留根治性治疗选择至关重要。肝脏影像报告和数据系统（LI-RADS）基于主要视觉影像特征，为多期计算机断层扫描的非侵入性诊断提供了标准化框架。然而，这些特征可能难以一致地评估，尤其是在小肝脏病灶中。我们开发了 dLI-RADS，这是一种可解释的人工智能方法，旨在从手动分割的肝脏病灶的多期计算机断层扫描图像中估计肝细胞癌的概率，同时与 LI-RADS 相关影像概念保持一致。dLI-RADS 将神经网络衍生的预测与反映 LI-RADS 主要特征的手工定量影像测量相结合，并使用逻辑回归整合这些输入。在这项多中心回顾性研究中，纳入了具有多期计算机断层扫描且至少有一个肝脏病灶的患者，同时排除了大于 40 mm 的病灶。组织学作为肝细胞癌的参考标准，复合参考标准用于非肝细胞癌病灶。在内部评估集上，使用 10,000 次重复的 bootstrap 非劣效性检验，以 5% 的边际和显著性水平比较 dLI-RADS 和 LI-RADS 的病灶级准确率。在外部测试集上，类似地比较了敏感性。在内部评估集中，dLI-RADS 在病灶级准确率方面不劣于 LI-RADS，达到 80% 的准确率，而 LI-RADS 为 74%（p = 0.04）...
| 评论： | 已被 Scientific Reports 接收 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.29616 [cs.CV] |
| （或此版本的 arXiv:2610.29616v1 [cs.CV]） | |
| https://doi.org/10.48550/arXiv.2610.29616 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Pietro Gori [查看电子邮件]
[v1]
2026年10月21日星期三 11:56:23 UTC（8,312 KB）
来源：arXiv cs.AI · arxiv.org