从定量指标到临床成功:评估深度学习对乳腺手术中瘤细分的有用性
Chris Yeung1, Tamas Ungi2, Zoe Hu3
1School of Computing, Queen's University, Kingston, ON, Canada. chris.yeung@queensu.ca.
概括
乳腺保护手术 (BCS) 的深度学习模型在超声波图像上显示瘤轮的高精度. 然而,这些模型难以准确预测最终的病理边缘状态,限制了它们在预防正边缘方面的临床实用性.
科学领域:
- 医疗成像医学成像
- 在外科手术中使用人工智能
- 在瘤学瘤学.
背景情况:
- 实现负边际对于成功的乳房保护手术 (BCS) 至关重要.
- 深度学习 (DL) 提供了实时瘤轮的潜力,以指导外科切除.
- 针对病理结果的DL模型的临床验证对于采用至关重要.
研究的目的:
- 临床评估深度学习模型用于BCS中的手术内瘤细分.
- 评估DL生成的轮能够预测最终病理边缘状态的能力.
主要方法:
- 在33名患者的7318张超声波图像上训练了16个DL模型.
- 使用专家视觉评估和定量指标 (Dice分数) 排名模型.
- 在5个导航的BCS病例中分析了DL轮与腔轨迹的对比,以预测边缘状态,与病理进行比较.
主要成果:
- 顶级DL模型实现了0.959的平均子得分,与专家排名有积极的相关性.
- 边际状态的DL轮预测显示精度有限:灵敏度为0.750,特异性为0.433.
- 尽管数量表现高,但DL模型不足以预测病理边缘.
结论:
- 在BCS中使用DL进行手术内瘤细分显示出有希望的结果,但需要进一步开发.
- 当前的DL模型虽然在轮方面准确,但无法可靠地预测病理边缘状态.
- 临床翻译需要在预测利状况方面提高DL的性能,以防止出现正利.
