多模式深度学习模型在诊断卵巢癌时达到高预测准确度
Zimo Wang1, Shuyu Luo1, Jing Chen1
1Second Clinical College of Jinan University, Department of Ultrasound, Shenzhen People's Hospital, First Affiliated Hospital of Southern University of Science and Technology, Shenzhen Medical Ultrasound Engineering Center. Shenzhen, Guangdong 518020, China.
iScience
|March 25, 2024
概括
一个新的多式深度学习 (DL) 模型使用超声波图像,更年期状态和血清指标准确区分良性和恶性卵巢瘤. 这种先进的DL方法显示了对于卵巢质量分类的卓越诊断性能.
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:
- 卵巢癌的诊断严重依赖于成像和临床数据.
- 准确的卵巢质量的差分诊断对于及时治疗至关重要.
- 深度学习模型提供了提高诊断准确性的潜力.
研究的目的:
- 评估一种多式深度学习 (DL) 模型,用于区分良性和恶性卵巢质量.
- 为了比较单,双,多模式DL模型的诊断性能.
- 评估整合超声波图像,更年期状态和血清指标的实用性.
主要方法:
- 使用超声波 (美国) 数据对1,054个卵巢瘤进行了回顾性研究.
- 开发三种DL模型:单模 (仅美国),双模 (美国+更年期状态) 和多模 (美国+更年期状态+血清指标) 使用ResNet-50.
- 在5倍交叉验证后,使用准确度,灵敏度,特异性和曲线下的面积 (AUC) 评估模型.
主要成果:
- 多式联网DL模型实现了93.80%的精度和0.983.98的AUC.
- 多式联运模式显著优于单式和双式联运模式.
- 在DL模型开发中使用ResNet-50架构.
结论:
- 多模式深度学习,整合各种数据,在分类卵巢质量方面表现出卓越的表现.
- 这种先进的DL模型有望提高卵巢瘤的差分诊断.
- 需要在不同的临床环境中进一步验证.
