AI model spots kidney disease on CT scans with near-perfect accuracy
Researchers have developed a lightweight AI system that diagnoses kidney problems from CT images with 99.97% accuracy while reliably estimating its own confidence levels—a critical requirement for clinical adoption. The advance could accelerate kidney disease screening in hospitals while reducing the time radiologists spend reviewing routine scans.
Originaltitel: NephroNet: a calibration-aware, patient-disjoint benchmark for multiclass kidney CT classification with a compact depthwise-separable CNN
NephroNet möjliggör tillförlitlig automatiserad klassificering av njurpatologi på CT-bilder — ett kritiskt behov då befintliga AI-modeller ofta lider av kalibreringsfel och dataleakage mellan patientbilder. Forskarna från Xi'an Jiaotong-Liverpool University och Stockholm University utvecklade en kompakt neuralnätverksmodell (1,46 miljoner parametrar) tränad på 12 446 bilder från multicenter-kohort för att skilja mellan normal vävnad, cystor, tumörer och stenar. Modellen uppnådde 99,97 procent noggrannhet och ECE-värde på 0,0021, vilket indikerar stark sannolikhetskalibrering — en förutsättning för klinisk tillit. Transparenta tränings- och valideringssplit samt explicit rapportering av osäkerhet stödjer reproducerbar jämförelse mellan kliniska IT-system. Begränsningen är att data kommer från en region, så extern validering återstår innan inköp för regionvårdens bildanalysplattformar kan rekommenderas.
Introduction CT is the primary modality for kidney pathology, but deep-learning evaluation is undermined by slice-level leakage and poor probability calibration. Methods A patient-disjoint, group-stratified hold-out benchmark is established for four-class kidney CT classification (Normal, Cyst, Tumor, Stone) on a 12,446-image multicenter cohort, and NephroNet — a compact (1.46 M-parameter) depthwise-separable CNN with squeeze-and-excitation and a light SpatialGate —b is proposed. A standardized pipeline (320 × 320 preprocessing; annealed MixUp/CutMix; class-weighted AdamW with warmup-cosine; EMA-only evaluation; TTA; post-hoc temperature scaling, T * = 1.42) is reported across accuracy, per-class and micro/macro ROC-AUC, Brier score, and ECE with bootstrap CIs. Results On the hold-out ( N = 2,490), NephroNet attains accuracy 0.9997 (95% CI 0.9984–1.0000), macro-AUC 0.9969 (0.9953–0.9983), Brier 0.0007, ECE 0.0021, surpassing budget-matched CNN and transformer baselines. Discussion Transparent splits, explicit capacity control, and calibration-aware reporting support reproducible comparison; all data are single-region, so external and prospective validation is required.