深度学习预测了临床结节阴性乳头甲状腺癌的宫淋巴结转移
Li-Qiang Zhou1,2, Shu-E Zeng3, Jian-Wei Xu4
1Sino-German Tongji-Caritas Research Center of Ultrasound in Medicine, Department of Medical Ultrasound, Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology, No. 1095, Jiefang Avenue, Wuhan, Hubei Province, 430030, China.
Insights into imaging
|December 20, 2023
概括
深度学习使用超声波图像和临床数据准确预测早期甲状腺癌的宫淋巴结转移 (CLNM). 与专家解释相比,这种人工智能方法提供了更高的准确性,有助于临床结节阴性患者的治疗决策.
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:
- 准确地确定早期甲状腺癌的阶段对于治疗计划至关重要.
- 宫淋巴结转移 (CLNM) 的评估至关重要,但在临床上阴性节点患者中具有挑战性.
- 目前的成像方法往往难以检测微妙的淋巴结参与.
研究的目的:
- 开发和验证一个深度学习模型,用于临床结节阴性乳头甲状腺癌 (PTC) 中非侵入性预测CLNM.
- 整合传统的超声波 (US) 成像和临床变量,以提高预测性能.
- 将模型的诊断准确性与专家放射科医生进行比较.
主要方法:
- 基于ResNet-50构建了一个集体深卷积神经网络 (DCNN) 模型.
- 该模型集成了亮度模式超声波 (BMUS),彩色多普勒流成像 (CDFI) 和临床数据.
- 来自两个机构的1031名临床节点阴性PTC患者的数据集被用于培训,验证和测试.
主要成果:
- 该DCNN模型显示高预测性能与AUC为0.86 (内部) 和0.77 (外部) 的CLNM.
- 在外部验证组中,该模型在精度 (0.72对0.59),灵敏度 (0.75对0.58) 和特异性 (0.69对0.60) 方面表现优于平均放射科医生.
- 与专家解释相比,集体DCNN实现了优越的测试性能.
结论:
- 深度学习提供了一种非侵入性和准确的方法,用于预测临床节点阴性PTC中的CLNM.
- 将美国成像AI与临床变量集成,可以提高CLNM预测.
- 开发的DCNN模型显示了提高诊断准确度和指导甲状腺癌管理治疗策略的潜力.
