机器学习和放射学用于超声波上对附带质量的细分和分类
Jennifer F Barcroft1,2, Kristofer Linton-Reid3, Chiara Landolfo2
1Department of Metabolism, Digestion and Reproduction, Imperial College London, London, UK.
NPJ precision oncology
|February 20, 2024
概括
这项研究开发了一种自动机器学习 (ML) 模型,用于使用超声波图像对附质量进行分类. 该模型表现出与专家评估相当的性能,提高了诊断准确度.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 妇科瘤学 妇科瘤学
背景情况:
- 目前基于超声波的副质量分类是主观的,需要专家解释.
- 需要自动化,客观的方法来提高诊断准确性和一致性.
研究的目的:
- 开发和评估一个端到端的机器学习 (ML) 模型,用于自动细分和附属质量的分类.
- 将ML模型的性能与专家的主观评估和现有的风险模型进行比较.
主要方法:
- 从两个独立的数据集 (英国和意大利) 进行过阴道超声图像的追溯提取和细分.
- 开发一个卷积神经网络和基于放射学模型的细分和分类.
- 使用Dice表面系数 (DICE) 进行细分和ROC曲线下的面积 (AUC),F1得分和回忆用于分类的性能评估.
主要成果:
- 最好的细分模型在数据集中获得了0.85-0.88的DICE分数.
- 最好的分类模型实现了高性能,AUC从0.89到0.93.
- 基于放射学的ML模型显示了与专家评估相比的可比预测性能 (AUC0.90).
结论:
- 一个端到端的基于放射学的ML模型已成功开发,用于附属质量细分和分类.
- 该模型显示出有希望的性能,与专家的主观评估相提并论.
- 需要进一步的前性评估来验证其临床实用性与现有方法相比.
