使用人工智能辅助超声波成像数据和淋巴结报告和数据系统规模的转移性淋巴结的放射检测方面的改进

科学领域:

• 医疗成像医学成像
• 在瘤学中使用人工智能
• 诊断病理学的诊断病理学

背景情况:

• 在淋巴结 (LNs) 中精确检测瘤病变对于癌症的分期和预后至关重要.
• 目前的诊断方法可能耗时,可能会从自动化中受益.
• 淋巴结报告和数据系统 (LN-RADS) 规模为淋巴结评估提供了一个标准化的框架.

研究的目的:

• 开发和评估一种新的机器学习 (ML) 方法,用于在淋巴结中自动检测瘤病变.
• 研究将LN-RADS尺度集成到ML模型中的影响,以提高诊断准确度.
• 为了比较不同ML架构的性能,包括多称物流回归 (MLR) 和完全连接的神经元层.

主要方法:

• 开发 ML 算法,结合基因病理学数据和 LN-RADS 尺度标签.
• 使用三种不同的数据和标签组合的模型的培训和评估.
• 对MLR集成模型和完全连接的神经元层模型的比较分析.

主要成果:

• 整合LN-RADS尺度显著提高了在瘤病变检测中的预测准确性.
• 与其他方法相比,MLR集成模型的整体准确性更高.
• 完全连接的神经元层模型实现了优越的曲线下面面积 (AUC) 性能.

结论:

• 人工智能技术,特别是与LN-RADS尺度相结合的ML模型,显示出改善早期癌症检测和预后的巨大潜力.
• 对各种数据集和网络架构的进一步研究可以带来增强的诊断能力.
• 该研究强调了ML对自动化和完善淋巴结病变分析的实用性.