novinky.nakupovani.cz
sobota 21. listopadu 2026
Zdraví a medicína

Rozdílné protokoly MRI souvisely s proměnlivým výkonem při vyznačování metastáz

Modely hlubokého učení zvládaly změny v protokolech MRI lépe, pokud při výcviku pracovaly s více druhy zobrazovacích sekvencí.

AI ilustrace k tématu článku
Ilustrace · Vlastní redakce · Podmínky použití

Studie zveřejněná 20. listopadu 2026 v časopise PLOS One hodnotila vliv různých T1 vážených protokolů MRI na automatické vyznačování metastáz v mozku. Výzkumníci porovnali dvě trojrozměrné architektury hlubokého učení, 3D Attention U-Net a DUCK-Net 3D.

Retrospektivní soubor obsahoval 925 vyšetření MRI s kontrastní látkou od 720 pacientů s metastázami v mozku diagnostikovanými mezi prosincem 2010 a lednem 2024. Pro vývoj modelů sloužilo 889 vyšetření, dalších 36 tvořilo nezávislý testovací soubor. Žádný pacient nebyl zařazen do obou částí.

DUCK-Net 3D podával v nezávislých souborech vyrovnanější výkon, zejména při přechodu mezi odlišnými sekvencemi MRI. Nejúspěšněji se se změnami sekvence vyrovnávaly modely vycvičené na jejich kombinaci, zatímco výcvik na jediném druhu sekvence vedl k větší citlivosti na rozdíly mezi protokoly.

Přesnost obou architektur klesala u ložisek menších než 0,4 mililitru. Závěry je nutné posuzovat s ohledem na retrospektivní uspořádání studie, data z jediného pracoviště a chybějící vnější ověření ve více centrech. Při převzorkování snímků navíc z nezávislého testovacího souboru vymizelo 14 z 547 referenčních ložisek, přičemž všechna byla menší než 0,4 mililitru.

Sdílet

Zaujalo vás to? Pošlete zprávu dál.

FacebookXThreadsTelegramPinterest

Zkopírujte text a veřejný odkaz, otevřete aplikaci a vložte je do příspěvku.

Odkaz na článek

Zdroje

  • PLOS One · 2026-11-21T08:10:42.076Z
    Impact of MRI sequence heterogeneity on deep learning–based segmentation of brain metastases · Dong-Won Shin, Chang Hyun Lee, Hyun Ju Kim, Kihoon Sung, Young Jae Kim, Kwang Gi Kim et al. (2026), PLOS One, DOI: 10.1371/journal.pone.0363055. · Creative Commons Attribution License; version not stated in API

    Shin et al This is an open access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original author and source are credited. Selected abstract and body passages only; no figure, table, dataset, logo or third-party media reuse.

    České zpracování a případný překlad: novinky.nakupovani.cz, 2026, s využitím AI. Text byl zkrácen a redakčně upraven. Nejde o oficiální překlad ani schválení autorem či PLOS.