深度学习是否可以取代宫淋巴腺病变的差异诊断中的组织病理学检查?
Sermin Can1, Ömer Türk2, Muhammed Ayral3
1Department of Otorhinolaryngology and Head and Neck Surgery Clinic, Dicle University Faculty of Medicine, 21010, Diyarbakir, Turkey. sermin.can@hotmail.com.
概括
深度学习模型使用CT扫描准确诊断宫淋巴腺病,可能减少放射科医生解释和侵入性活检的需要. 为了更广泛的临床应用,建议使用更大的数据集进行进一步的研究.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 宫淋巴腺病的诊断往往依赖于放射科医生的解释和组织病理学.
- 开发自动化诊断工具可以提高效率和可访问性.
研究的目的:
- 开发一种深度学习模型,用于使用对比度增强的CT图像来诊断宫淋巴腺病.
- 评估深度学习模型的诊断能力,而不需要放射科医生解释或组织病理学检查.
主要方法:
- 400名患有宫淋巴腺病的患者 (2010-2022) 的回顾性分析.
- 患者被分为四组:粒状细胞疾病,淋巴瘤,状细胞瘤和反应性增生.
- 使用ResNet50,NASNetMobile和DenseNet121架构进行分类的对比增强CT图像.
主要成果:
- ResNet50实现了92.5%的分类准确率.
- DenseNet121实现了90.62%的分类准确率.
- 纳斯网移动实现了87.5%的分类准确率.
结论:
- 深度学习模型显示出作为宫淋巴腺病的诊断工具的巨大潜力.
- 在未来,人工智能驱动的诊断可能会减少对侵入性手术和专家解释的依赖.
- 需要进行更大规模的研究来验证和完善这些深度学习模型的临床用途.
