基于超声波的深度学习放射学诺米克图用于丸质量风险分层:一项两中心研究
Fuxiang Fang1, Yan Sun1, Hualin Huang2
1Department of Urology, The First Affiliated Hospital of Guangxi Medical University, 6 Shuangyong Road, Nanning, 530021, China.
Journal of cancer research and clinical oncology
|January 19, 2024
概括
一个新的超声驱动的临床深度学习放射学 (CDLR) 模型准确地分层丸质量风险. 这种工具有助于个性化治疗,并减少丸病变的不必要程序.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 丸质量需要准确的风险分层来进行适当的管理.
- 目前的诊断方法可能会导致过度治疗或延迟诊断.
研究的目的:
- 开发和验证一个超声驱动的临床深度学习放射学 (CDLR) 模型.
- 为了对丸质量的风险进行分层,以指导个性化治疗.
主要方法:
- 对275名丸病变患者的回顾性分析.
- 从超声波图像中提取放射学和深度学习特征.
- 开发一个集成放射学,深度学习和临床数据的CDLR nomogram.
主要成果:
- 该CDLR名录显示高精度 (AUCs 0.835-0.909) 在区分瘤和分级恶性病变.
- CDLR的表现优于独立的深度学习放射学,临床模型和放射学家的评估.
结论:
- 该CDLR nomogram是一个可靠的工具,用于丸质量风险分层.
- 这种模型可以提高诊断准确度,个性化治疗,并最大限度地减少不必要的程序.


