开发和验证基于超声波的深度学习放射学诺米克图,用于预测卵巢瘤的恶性风险
Yangchun Du1, Yanju Xiao1, Wenwen Guo2
1Department of Ultrasound, The People's Hospital of Guangxi Zhuang Autonomous Region and Guangxi Academy of Medical Sciences, No. 6 Taoyuan Road, Qingxiu District, Nanning, 530021, China.
Biomedical engineering online
|April 9, 2024
概括
一种新型的深度学习放射学诺米克图 (DLR_Nomogram) 准确地使用超声波成像预测卵巢癌恶性瘤风险. 这种工具的有效性与O-RADS相美,有助于及时诊断和管理.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 及时识别和治疗卵巢癌对于患者的预后至关重要.
- 超声波 (US) 影像在卵巢瘤评估中发挥着关键作用.
- 像O-RADS这样的现有诊断系统为评估卵巢瘤提供了一个框架.
研究的目的:
- 开发和验证一个深度学习放射学诺米克图 (DLR_Nomogram) 用于使用美国成像来预测卵巢瘤恶性瘤风险.
- 将DLR_Nomogram的诊断性能与O-RADS系统进行比较.
主要方法:
- 使用超声波成像数据开发和验证DLR_Nomogram.
- 进行了两个任务:任务1评估了849名患者的恶性瘤风险;任务2评估了391名患有O-RADS 4/5瘤的患者的风险.
- 使用接收器操作特征 (ROC) 曲线和Hosmer-Lemeshow测试来评估诊断性能.
主要成果:
- 在任务1中,DLR_Nomogram表现出高预测性能,AUC值为0.985 (训练) 和0.928 (测试).
- 在任务2中,DLR_Nomogram实现了0.955 (训练) 和0.869 (测试) 的AUC值.
- 在决策曲线分析中,DLR_Nomogram显示出令人满意的合适性,并且与O-RADS相比,产生了更大的净临床益处.
结论:
- 基于超声波的DLR_Nomogram可以准确预测卵巢瘤的恶性风险.
- 该DLR_Nomogram表现出与O-RADS系统可比的预测效率.
- 这种工具可以帮助准确及时诊断卵巢癌.
