基于深度学习的超声波分析可以更精确地区分状形腺瘤和小瘤

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:

• 形腺瘤 (PA) 和形瘤 (WT) 是常见的唾液腺瘤.
• 肺炎可以表现出与WT类似的良性成像特征,使诊断复杂化.
• 通过细针吸收细胞学 (FNAC) 将PA与WT区分开来是具有挑战性的,特别是对于缺乏经验的病理学家来说.

研究的目的:

• 开发和评估深度学习 (DL) 模型,使用超声波图像来区分PA和WT.
• 将DL模型的诊断性能与超声波和FNAC等传统方法进行比较.

主要方法:

• 利用了488例经过手术确认的病例的超声波图像 (266例PA,222例WT).
• 在图像数据集上训练并验证了五个DL模型 (例如ResNet50,DenseNet121).
• 使用接收器操作特征曲线 (AUROC) 和交叉验证评估模型性能.
• 使用Grad-CAM可视化模型注意区域.

主要成果:

• 与超声波医生和FNAC相比,DL模型实现了更高的诊断性能.
• 最好的DL模型 (ResNet50) 在测试组中达到0.908的AUROC.
• 在FNAC失败的情况下,DenseNet121的AUROC为0.897.

结论:

• 深度学习模型提供了一种可靠和优越的方法来区分PA和WT.
• 这些人工智能驱动的工具可以帮助外科医生选择适当的外科战略.
• 在具有挑战性的瘤歧视病例中,DL技术提高了诊断准确度.