基于超声波的深度学习放射学模型来区分良性,边缘性和恶性卵巢瘤:一个多类分类探索性研究

科学领域:

• 医疗成像和人工智能的人工智能
• 瘤学和妇科病理学病理学
• 机器学习在医疗保健中的应用

背景情况:

• 准确的卵巢瘤亚型的术前鉴定对于个性化的患者管理至关重要.
• 超声波 (US) 影像是卵巢瘤评估的主要工具.
• 开发先进的算法可以提高诊断准确度.

研究的目的:

• 开发和验证基于超声波的多类预测算法,以区分卵巢瘤亚型.
• 为了比较放射性签名,深度转移学习签名和综合深度学习放射性签名的性能.

主要方法:

• 使用了849例卵巢瘤病例的数据集,分为培训 (80%) 和测试 (20%) 集.
• 从细分的美国图像中提取了放射性特征,并建立了机器学习模型 (Rad_Sig).
• 使用预训练的卷积神经网络 (CNN) 来生成深度转移学习签名 (DTL_Sig).
• 一个综合模型 (DLR_Sig) 融合了放射性,深度学习和临床数据,以提高预测.

主要成果:

• DLR_Sig模型在测试组的卵巢瘤三类分类中表现优异 (微平均AUC为0.90,宏平均AUC为0.84).
• 对DLR_Sig的类特定AUC为0.84 (良性),0.85 (边缘性) 和0.83 (恶性).
• 与其他模型不同,DLR_Sig成功地发现了较高比例的边缘性 (54.55%) 和恶性 (63.27%) 卵巢瘤.

结论:

• 美国的DLR_Sig模型准确地区分良性,边缘性和恶性卵巢瘤.
• 这种由人工智能驱动的工具有可能在卵巢瘤管理方面显著指导临床决策.