超声波的深度学习模型显著改善了表面软组织质量的差异诊断性能:一项回顾性多中心研究

科学领域:

• 医学成像医学成像
• 医学中的人工智能
• 在瘤学瘤学.

背景情况:

• 表面软组织群体需要准确的诊断,因为持续的生长可能会危及生命.
• 目前对这些群体的诊断方法可以得到改进,特别是在区分良性和恶性瘤方面.

研究的目的:

• 提出和评估一种新的深度学习模型 (DLM) 系统,用于使用超声波对表面软组织质量的差异诊断.
• 评估DLM系统对经验丰富的放射科医生的诊断性能的影响.

主要方法:

• 从1615名患有表面软组织质量的患者的超声数据的回顾性分析 (2015年1月 - 2022年12月).
• 两位放射科医生在查阅DLM系统结果之前和之后诊断出质量.
• DLM系统被训练为二元分类 (良性与恶性) 和常见良性质群体的多类分类.

主要成果:

• DLM在区分良性和恶性质量方面取得了很高的准确性 (AUC 0.992,ACC 0.987).
• DLM在分类特定良性质群体方面表现出色 (例如,脂质瘤AUC为0.986,血管瘤AUC为0.993).
• 当被DLM系统辅助时,放射科医生的诊断准确性显著提高.

结论:

• 拟议的DLM系统在表面软组织质量的差异诊断方面具有很高的临床实用性.
• 使用DLM系统的人工智能辅助诊断增强了放射科医生准确区分良性和恶性瘤的能力.