[基于近红外自光成像的卷积神经网络在甲状腺腺的识别中的应用]
1Department of Otolaryngology-Head and Neck Surgery, Beijing Tongren Hospital, Capital Medical University, Key Laboratory of Otolaryngology-Head and Neck Surgery (Capital Medical University), Ministry of Education, Beijing 100730, China.
Zhonghua yi xue za zhi
|October 25, 2023
概括
卷积神经网络 (CNN) 显示了在甲状腺手术期间使用近红外自流光成像技术自动识别甲状腺腺的前景. 这种人工智能工具有助于外科医生识别和保护这些重要腺体,改善患者的治疗结果.
科学领域:
- 医疗成像医学成像
- 在外科手术中使用人工智能
- 在瘤学瘤学.
背景情况:
- 在甲状腺癌手术期间,对甲状腺腺体的鉴定至关重要,以预防并发症.
- 目前用于甲状腺附近腺体识别的方法可能具有挑战性,容易出错.
- 近红外自流光成像为实时可视化提供了一个潜在的工具.
研究的目的:
- 评估深层卷积神经网络 (CNN) 对于附甲状腺自动识别的有效性.
- 评估近红外自光成像与CNN在甲状腺手术中的应用价值.
- 提高副甲状腺识别和保存的准确性和安全性.
主要方法:
- 追溯分析了来自83名甲状腺乳腺癌患者的725张甲状腺和928张非甲状腺自身光图像.
- 开发和测试ResNet 34,VGGNet 16和GoogleNet模型,用于基于图像的副甲状腺识别.
- 对表现最好的CNN模型 (ResNet 34) 使用另外13名患者的65张图像进行前性验证.
主要成果:
- 在识别测试组中,ResNet 34模型实现了最高的准确性 (97.6%),特异性 (96.3%),灵敏性 (99.3%) 和精度 (95.5%).
- 在回顾性分析中,ResNet 34的曲线下的面积 (AUC) 达到0.978.
- 在前性测试中,ResNet 34的预测准确度为93.8%,AUC为0.938.
结论:
- 使用近红外自光成像的深度CNN对于附甲状腺自动识别非常有价值.
- 这种由人工智能驱动的方法可以帮助外科医生在甲状腺癌手术期间识别和保护副甲状腺.
- 该技术有可能提高外科手术的安全性,并降低意外甲状腺损伤的风险.
