基于深度学习的诺姆图的应用价值在TI-RADS类别4甲状腺结节的良性-恶性歧视中
Xinru Zhang1, Cheng Jia2, Meng Sun1
1Department of Medical Ultrasound, The First Affiliated Hospital of Shandong First Medical University & Shandong Provincial Qianfoshan Hospital, Shandong Medicine and Health Key Laboratory of Abdominal Medical Imaging, Jinan, 250014, China.
Scientific reports
|April 3, 2024
概括
深度学习使用YOLOv3模型准确地分类了中间怀疑甲状腺结节. 一个开发出来的诺姆图进一步提高了诊断准确度,有助于更好地治疗甲状腺结节的患者.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 甲状腺结节很常见,大多数是良性的,但有些是恶性的.
- 甲状腺成像报告和数据系统 (TI-RADS) 标准化了超声波解释.
- 在TI-RADS 4类结节中,存在恶性瘤的中间怀疑.
研究的目的:
- 使用深度学习将TI-RADS类别4甲状腺结节分类为良性或恶性.
- 为提高诊断准确性开发一个名图.
- 加强患者管理,减少不必要的手术.
主要方法:
- 使用YOLOv3深度学习模型进行分类.
- 在350名患者身上训练了模型,并在150名患者身上进行了测试.
- 开发并验证了一个包含模型预测和临床数据的名图.
主要成果:
- YOLOv3 模型在 TI-RADS 4 类结节的分类中取得了 84% 的准确性.
- 开发的名图表显示出卓越的性能和良好的校准.
- 决策曲线分析证实了名ogram的净收益.
结论:
- 深度学习,特别是YOLOv3模型,有效地区分良性和恶性TI-RADS类别4甲状腺结节.
- 集成名录显著提高了诊断的准确性.
- 这些进展对于优化患者管理和甲状腺结节诊断结果至关重要.
