Background

Deep learning (DL) may facilitate the diagnosis of various pancreatic lesions at imaging.

Purpose

To develop and validate a DL-based approach for automatic identification of patients with various solid and cystic pancreatic neoplasms at abdominal CT and compare its diagnostic performance with that of radiologists.

Materials and Methods

In this retrospective study, a three-dimensional nnU-Net–based DL model was trained using the CT data of patients who underwent resection for pancreatic lesions between January 2014 and March 2015 and a subset of patients without pancreatic abnormality who underwent CT in 2014. Performance of the DL-based approach to identify patients with pancreatic lesions was evaluated in a temporally independent cohort (test set 1) and a temporally and spatially independent cohort (test set 2) and was compared with that of two board-certified radiologists. Performance was assessed using receiver operating characteristic analysis.

Results

The study included 852 patients in the training set (median age, 60 years [range, 19–85 years]; 462 men), 603 patients in test set 1 (median age, 58 years [range, 18–82 years]; 376 men), and 589 patients in test set 2 (median age, 63 years [range, 18–99 years]; 343 men). In test set 1, the DL-based approach had an area under the receiver operating characteristic curve (AUC) of 0.91 (95% CI: 0.89, 0.94) and showed slightly worse performance in test set 2 (AUC, 0.87 [95% CI: 0.84, 0.89]). The DL-based approach showed high sensitivity in identifying patients with solid lesions of any size (98%–100%) or cystic lesions measuring 1.0 cm or larger (92%–93%), which was comparable with the radiologists (95%–100% for solid lesions [P = .51 to P > .99]; 93%–98% for cystic lesions ≥1.0 cm [P = .38 to P > .99]).

Conclusion

The deep learning–based approach demonstrated high performance in identifying patients with various solid and cystic pancreatic lesions at CT.

© RSNA, 2022

Online supplemental material is available for this article.

中文翻译：

---

基于深度学习的实性和囊性胰腺肿瘤增强 CT 检测

背景

深度学习 (DL) 可能有助于在成像时诊断各种胰腺病变。

目的

开发和验证一种基于深度学习的方法，用于在腹部 CT 上自动识别患有各种实体和囊性胰腺肿瘤的患者，并将其诊断性能与放射科医生的诊断性能进行比较。

材料和方法

在这项回顾性研究中，使用 2014 年 1 月至 2015 年 3 月期间接受胰腺病灶切除术的患者和 2014 年接受 CT 的无胰腺异常患者的 CT 数据训练了基于 nnU-Net 的三维 DL 模型。在一个时间独立的队列（测试集 1）和一个时间和空间独立的队列（测试集 2）中评估了基于 DL 的方法识别胰腺病变患者的性能，并与两名获得委员会认证的放射科医生进行了比较。使用接受者操作特征分析评估性能。

结果

该研究包括训练组中的 852 名患者（中位年龄，60 岁 [范围，19-85 岁]；462 名男性），测试组 1 中的 603 名患者（中位年龄，58 岁 [范围，18-82 岁]；376男性），以及测试集 2 中的 589 名患者（中位年龄，63 岁 [范围，18-99 岁]；343 名男性）。在测试集 1 中，基于 DL 的方法的受试者工作特征曲线 (AUC) 下面积为 0.91（95% CI：0.89，0.94），在测试集 2 中表现稍差（AUC，0.87 [95% CI） ：0.84，0.89]）。基于 DL 的方法在识别具有任何大小的实性病变 (98%–100%) 或测量 1.0 cm 或更大的囊性病变 (92%–93%) 的患者时显示出高灵敏度，这与放射科医生 (95%–100%) 相当。实性病变为 100% [ P = .51 至P > .99]；≥1.0 cm 的囊性病变为 93%–98% [P = .38 至P > .99]）。

结论

基于深度学习的方法在 CT 上识别具有各种实体和囊性胰腺病变的患者方面表现出高性能。

©北美放射学会，2022

本文提供了在线补充材料。