基于ConvNeXt算法对卵巢子宫内膜异位症囊和良性粘膜性囊瘤进行歧视性诊断
Kuo Miao1, Qian Lv1, Liwei Zhang1
1Department of Ultrasound, Fourth Affiliated Hospital of Harbin Medical University, Harbin, Heilongjiang, China.
概括
使用ConvNeXt算法的新深度学习模型使用超声波图像准确地区分卵巢内膜异位症囊 (OEC) 与良性粘膜性囊瘤 (MC). 这种人工智能工具显示出高诊断性能和临床实用性,用于区分这些卵巢疾病.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 妇科瘤学 妇科瘤学
背景情况:
- 卵巢囊,特别是卵巢内膜异位症囊 (OEC) 和良性粘膜囊瘤 (MC),在超声波成像中存在诊断挑战.
- 准确的区分对于适当的临床管理和治疗计划至关重要.
研究的目的:
- 开发和评估基于ConvNeXt算法的深度学习模型,用于使用超声波图像区分OEC和MC.
- 评估开发模型的诊断性能和临床实用性.
主要方法:
- 从184名患有OEC或MC的患者的超声波图像的回顾性分析,经由术后病理或超声波引导的液体吸收证实.
- 使用ConvNeXt算法与转移学习的深度学习模型的开发,在786张超声波图像的数据集上进行训练和验证.
- 使用接收器操作特征 (ROC) 曲线评估模型的诊断性能,计算曲线下的面积 (AUC),灵敏度,特异性和其他相关指标. 还进行了决策曲线分析 (DCA).
主要成果:
- 基于ConvNeXt的深度学习模型实现了0.90的AUC,以区分OEC与MC.
- 该模型显示了高诊断准确度,90%的灵敏度和90%的特异性.
- 阳性预测值为96%和负预测值为77%,表明具有强大的临床适用性.
结论:
- 使用ConvNeXt算法开发的深度学习模型在区分卵巢内膜异位症囊和良性粘膜性囊瘤方面表现出高准确度和出色的诊断性能.
- 这种人工智能驱动的方法为准确区分这些常见的卵巢疾病提供了一种新且临床上有用的工具.
- 该模型的性能表明它有可能帮助临床医生根据超声波成像进行更精确的诊断.
