患者级别的甲状腺癌分类,使用聚合多尺度超声波图像特征的注意力多实例学习
Luoting Zhuang1, Vedrana Ivezic1, Jeffrey Feng1
1Medical Informatics Home Area, University of California, Los Angeles, CA, USA.
AMIA ... Annual Symposium proceedings. AMIA Symposium
|January 15, 2024
概括
这项研究引入了一种新的深度学习模型,用于从超声波图像中对恶性甲状腺结节进行分类,提高诊断准确度并减少对活检的需求.
科学领域:
- 医学成像医学成像
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 准确诊断恶性甲状腺结节对于治疗规划至关重要.
- 超声波图像评估和当前的深度学习模型面临着结节细分和图像放大变化的挑战.
- 毕奥普西通常是必要的确定的诊断,尽管在超声波评估的局限性.
研究的目的:
- 开发一种先进的深度学习模型,使用超声波图像对甲状腺结节进行准确的患者级恶性瘤分类.
- 为了克服依赖于手动细分的现有方法的局限性,并处理图像放大异质性.
主要方法:
- 开发了一个基于注意力的多个实例学习模型.
- 融合了来自不同超声波的全球和本地特征.
- 使用患者级恶性瘤分类方法.
主要成果:
- 获得了0.785的接收器运行特征曲线 (AUROC) 下面的面积和0.539.53的精度召回曲线 (AUPRC) 下面的面积.
- 显著优于在临床特征上训练的基线模型 (AUROC:0.667,AUPRC:0.444).
- 证明了对分类活检的必要性进行分类的改进性能.
结论:
- 这种新型的深度学习模型提高了甲状腺结节恶性瘤分类从超声波图像的准确性.
- 这种方法为诊断甲状腺结节提供了更可靠的方法,可能减少侵入性手术.
- 改进的诊断能力可以导致更有效的患者管理和治疗策略.
