预测甲状腺癌淋巴结转移的模型:多模式卷积神经网络研究
Yang Guang1, Fang Wan1, Wen He1
1Department of Ultrasound, Beijing Tiantan Hospital, Capital Medical University, Beijing, China.
Quantitative imaging in medicine and surgery
|December 18, 2023
概括
卷积神经网络 (CNN) 提高了使用多模式超声波的乳头甲状腺癌 (PTC) 淋巴结转移 (LNM) 预测. 一种三种模式的方法实现了80.65%的准确性,有助于临床决策.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 在乳头甲状腺癌 (PTC) 中精确的宫淋巴结转移 (LNM) 的术前评估对于手术规划至关重要.
- 目前的超声波成像方法在预测PTC的LNM状态方面存在局限性.
- 这项研究解决了在PTC中改善LNM预测准确性的需求.
研究的目的:
- 评估卷积神经网络 (CNN) 在PTC预测LNM中的作用.
- 评估多模式超声数据在基于CNN的LNM预测中的有效性.
- 为了提高在PTC患者手术前LNM评估的准确性.
主要方法:
- 开发并评估了CNN算法,使用308名已确认LNM状态的PTC患者的数据.
- 使用训练套件 (80%) 和测试套件 (20%) 进行模型开发和验证.
- 使用剩余网络50 (Resnet50) 来从B模式和对比增强超声波 (CEUS) 图像中提取特征,并将它们结合起来进行多模式预测.
主要成果:
- 三种模式的方法 (B模式,CEUS和超声检查) 获得了最高的精度 (80.65%,AUC =0.831).
- 这比单独的B模式 (69.00%的准确率) 和双模式方法 (75.81%的准确率) 更好.
- 热图可视化模型的注意力区域,有助于理解模型的行为和局限性.
结论:
- 使用三重模式特征的PTC淋巴结预测模型显著改善了预测性能.
- 深度学习模型有效地模仿人类专家的工作流程,并利用多式联络数据.
- 这种方法为PTC管理中的临床决策提供了宝贵的支持.
