深度学习与测试时间增强,用于辐射内支气管超声波图像分化:一个多中心验证研究
Kai-Lun Yu1,2, Yi-Shiuan Tseng3, Han-Ching Yang1
1Department of Internal Medicine, National Taiwan University Hospital Hsin-Chu Branch, Hsinchu, Taiwan.
BMJ open respiratory research
|August 2, 2023
概括
这项研究开发了一种使用卷积神经网络 (CNN) 来分析放射性内支部超声波 (rEBUS) 图像的AI模型. 在REBUS扫描中,AI成功地将恶性与良性肺瘤区分开来,显示出有前途的诊断潜力.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 肺部诊断 肺部诊断 肺部诊断
背景情况:
- 射线内支气管超声波 (rEBUS) 对于跨支气管活检至关重要.
- 人工智能 (AI) 尚未用于分析rEBUS图像.
研究的目的:
- 使用rEBUS图像开发一个卷积神经网络 (CNN) 来区分恶性和良性瘤.
- 评估AI模型在区分肺癌亚型方面的表现.
主要方法:
- 来自台湾多个医疗中心的rEBUS图像的回顾性收集.
- 使用内部和外部数据集进行模型培训和验证,包括图像增强和测试时间增强 (TTA).
主要成果:
- 内部验证显示曲线下的面积 (AUC) 为0.88.
- 外部验证的AUC从0.72到0.78不等,在微调后改善到0.82.
- 该模型证明了区分肺癌亚型的可行性,其中腺癌 (0.70) 和状细胞癌 (0.64) 的AUC.
结论:
- 开发的基于CNN的算法可以在rEBUS图像中区分恶性和良性病变.
- 在rEBUS分析中的AI应用显示了改善肺癌诊断的潜力.
