基于深度学习的喉癌的计算机辅助诊断,使用喉镜图像
Zhi-Hui Xu1, Da-Ge Fan2, Jian-Qiang Huang1
1Department of Otolaryngology, The Second Affiliated Hospital, Fujian Medical University, 950 Donghai Street, Fengze District, Quanzhou 362000, China.
Diagnostics (Basel, Switzerland)
|December 22, 2023
概括
像Densenet201这样的深度学习模型显示出从喉镜图像中诊断喉癌的前景. 这种人工智能工具实现了高精度,帮助临床医生在早期检测和改善患者护理.
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:
- 喉癌是一个重大的全球健康挑战,往往是晚期诊断,导致较差的结果.
- 准确及时诊断对于有效的喉癌治疗和患者的生存至关重要.
研究的目的:
- 评估深层卷积神经网络 (DCNNs) 的有效性,特别是Densenet201架构,用于计算机辅助诊断喉癌.
- 将Densenet201的诊断性能与其他DCNN模型和经验丰富的临床医生使用喉镜图像进行比较.
主要方法:
- 使用了来自良性和恶性喉癌病例的喉腔镜图像数据集.
- 在这个数据集上训练和验证了Densenet201模型,并对其他DCNN和临床专家进行了性能评估.
- 关键性能指标包括精度,灵敏度,特异性和曲线下的面积 (AUC).
主要成果:
- 在培训 (98.5%),内部验证 (92.0%) 和外部验证 (86.3%) 队列中,Densenet201实现了高诊断准确度.
- 该模型显示出强大的区分能力,AUC值始终在92%以上.
- Densenet201的表现与经验丰富的临床医生相美,优于其他临床医生,特别是在外部验证方面.
结论:
- Densenet201是一种高度准确和可靠的工具,用于使用喉腔镜图像进行喉癌的计算机辅助诊断.
- 像Densenet201这样的深度学习模型具有重要的潜力,可以作为补充工具来提高喉癌的诊断准确性和患者护理.
- 用扩展数据集和模型优化进行进一步的研究是有必要的,以充分利用这项技术.
