深度学习使用对比增强的超声波图像来预测清细胞细胞癌的核等级
Yun Bai1, Zi-Chen An1, Fan Li1
1Department of Ultrasound, Shanghai General Hospital, Shanghai Jiao Tong University School of Medicine, No. 85/86 Wujin Road, Shanghai, 200080, China.
World journal of urology
|March 21, 2024
概括
一种深度学习模型有效地使用对比增强超声波 (CEUS) 图像区分高等级和低等级的清晰细胞癌 (ccRCC). 这种非侵入性AI方法显示了准确ccRCC分级的前景.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 细胞癌研究 细胞癌研究
背景情况:
- 清细胞细胞癌 (ccRCC) 的分级对于治疗决策至关重要.
- 不侵入性地区分低级和高级cccRCC仍然是一个临床挑战.
- 与对比度增强的超声波 (CEUS) 为脏瘤评估提供了一个动态成像模式.
研究的目的:
- 评估深度学习 (DL) 模型在区分低级 (I-II) 和高级 (III-IV) ccRCC中的有效性.
- 评估基于CEUS的AI在ccRCC分类中的表现.
- 为了验证拟议的DL模型的非侵入性分级能力.
主要方法:
- 使用CEUS图像对177个Fuhrman等级的ccRCC病例进行了回顾性分析.
- 开发基于RepVGG的深度学习模型,用于ccRCC等级分类.
- 使用灵敏度,特异性,精度和AUC进行性能评估;用于可解释性的类激活映射 (CAM).
主要成果:
- DL模型在测试组中实现了74.8%的灵敏度,79.1%的特异性和77.0%的准确性.
- 曲线下的面积 (AUC) 达到0.852,表明强大的歧视力.
- CAM可视化突出了特定的图像区域,这些区域有助于模型的高档ccRCC预测.
结论:
- 使用CEUS图像的深度学习模型可以准确地区分低级和高级ccRCC.
- 拟议的AI方法为ccRCC分级提供了一种非侵入性的方法.
- 与DL结合的CEUS显示了改善ccRCC管理和治疗计划的潜力.
