深度学习的诊断性能和视觉洞察力在超声波图像上区分良性和恶性甲状腺结节

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:

• 甲状腺结节很常见,需要准确地区分良性和恶性类型.
• 当前的诊断方法可能是主观的,耗时的.
• 深度学习为客观和高效的图像分析提供了潜力.

研究的目的:

• 开发和评估一种深度学习模型,用超声波图像对甲状腺结节进行分类.
• 将AI模型的诊断准确性与放射科医生小组进行比较.
• 使用可视化技术增强模型的解释性.

主要方法:

• 基于ResNet的深度学习模型在2096张655个甲状腺结节的超声波图像上进行了训练.
• 在一个由100个案例组成的独立测试集上评估了性能.
• 用80名放射科医生的图灵测试和Grad-CAM可视化用于比较和解释性.

主要成果:

• 人工智能模型实现了73%的诊断准确率,超过了放射科医生的平均准确率62.9%.
• 与放射科医生相比,AI表现出更高的灵敏度 (81.67%) 和特异性 (60%).
• 梯度加权类激活映射 (Grad-CAM) 突出了与恶性瘤相关的化和回声模式.

结论:

• 深度学习模型可以达到与经验丰富的放射科医生对甲状腺结节的诊断准确度相美.
• 人工智能模型的可解释性,通过热图,表明在识别可疑特征方面具有临床实用性.
• 需要进一步的研究来提高准确性,并将AI整合到初级保健环境中.