用灰度和多普勒超声波图像进行深度学习分析,以区分格雷夫斯病
Han-Sang Baek1, Jinyoung Kim2, Chaiho Jeong1
1Division of Endocrinology and Metabolism, Department of Internal Medicine, Uijeongbu St. Mary's Hospital, College of Medicine, The Catholic University of Korea, Uijeongbu 11765, Republic of Korea.
The Journal of clinical endocrinology and metabolism
|April 12, 2024
概括
机器学习使用超声波图像准确地区分了格雷夫斯病 (GD) 和甲状腺炎. 这种人工智能方法有助于迅速诊断和有效治疗甲状腺毒性病患者.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 内分泌学 在内分泌学.
背景情况:
- 准确区分格雷夫斯病 (GD) 和甲状腺炎对于有效的甲状腺毒性病管理至关重要.
- 目前的诊断方法可能需要及时改进,以获得最佳的患者结果.
研究的目的:
- 开发和评估机器学习算法,使用超声波和多普勒成像来区分GD和甲状腺炎.
- 专注于提高GD的诊断准确度,在甲状腺毒素化亚型内.
主要方法:
- 利用了来自351名GD患者的7719张超声波图像和来自136名甲状腺炎患者的2980张图像的数据集.
- 在DEEP:PHI®平台上使用深度学习模型 (Xception,EfficientNetB0_2) 进行数据增强.
- 计算了关键性能指标,包括准确度,灵敏度,特异性,PPV,NPV和F1得分.
主要成果:
- 该Xception模型实现了84.94%的准确性和89.26%的GD诊断灵敏度.
- EfficientNetB0_2模型显示了85.31%的准确度和90.28%的灵敏度.
- 这两种模型都显示了高的PPV和F1得分,表明了强大的诊断性能.
结论:
- 使用超声波和多普勒图像的机器学习模型显示了区分GD和甲状腺炎的重大前景.
- 这些由人工智能驱动的方法提供了高准确度和灵敏度,支持胆固醇毒性病的临床决策.
