开发和验证一个可解释的模型,整合多模式信息,以改善卵巢癌诊断
Huiling Xiang1,2, Yongjie Xiao3, Fang Li4,5
1Department of Radiology, State Key Laboratory of Oncology in South China, Guangdong Provincial Clinical Research Center for Cancer, Sun Yat-sen University Cancer Center, Guangzhou, 510060, P. R. China.
Nature communications
|March 28, 2024
概括
OvcaFinder是一个可解释的AI模型,通过集成深度学习,放射科医生得分和临床数据来增强卵巢癌诊断. 它显著提高了放射科医生的诊断准确性和一致性.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 卵巢癌是妇科癌症死亡率的主要原因之一.
- 准确和早期诊断对于改善患者的治疗结果至关重要.
- 目前的诊断方法需要改进,以提高准确性和一致性.
研究的目的:
- 开发和验证OvcaFinder,一个可解释的AI模型用于卵巢癌诊断.
- 与现有的临床和深度学习模型相比,评估OvcaFinder的性能.
- 评估OvcaFinder对放射科医生的诊断准确性和读者之间的协议的影响.
主要方法:
- 开发了OvcaFinder,结合了来自超声图像的深度学习预测,卵巢-尾报告和数据系统 (O-RADS) 评分和临床变量.
- 使用内部和外部测试数据集进行模型验证.
- 使用曲线下的面积 (AUC) 和假阳性率评估模型性能.
- 评估了OvcaFinder辅助对放射科医生的表现的影响.
主要成果:
- OvcaFinder的AUC为0.978 (内部) 和0.947 (外部),超过了临床和深度学习模型.
- 在OvcaFinder的帮助下,放射科医生AUC从0.927提高到0.977 (内部) 和0.904提高到0.941 (外部).
- 假阳性率下降了13.4% (内部) 和8.3% (外部).
- 放射科医生之间的读者间协议得到了增强.
结论:
- OvcaFinder在卵巢癌诊断方面表现出卓越的性能.
- 可解释的AI模型显著提高了放射科医生的诊断准确性和一致性.
- OvcaFinder显示出有很大的潜力,有助于早期和准确检测卵巢癌.
