灰度超声波上的多特征融合网络:有效区分腺淋巴瘤和多形腺瘤

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 在适当的临床治疗中,区分状形腺瘤 (PA) 和腺淋巴瘤 (AL) 是至关重要的.
• 目前的诊断方法可能具有侵入性或缺乏足够的准确性.
• 开发非侵入性,准确的诊断工具是一个重要的临床需求.

研究的目的:

• 开发和评估一个深度学习放射学图形网络 (DLRN) 来区分PA和AL.
• 整合深度学习功能,放射学功能和临床数据,以提高诊断准确度.
• 评估DLRN模型的性能与其他机器学习模型相比.

主要方法:

• 分析了287名确诊的PA或AL患者的队列.
• 从灰度超声波图像中提取了深度转移学习和放射学特征.
• 构建和比较了各种机器学习模型,包括集成多种数据类型的DLRN.

主要成果:

• 在内部和外部验证队列中,DLRN模型表现出卓越的区分能力,在曲线下面面积 (AUC) 值 (0.908) 中最高.
• 仅基于临床数据,放射学或深度学习特征,DLRN的表现优于单个模型.
• 在DLRN中集合方法有助于减轻数据集中的过度匹配.

结论:

• 该DLRN模型显著提高了使用灰度超声波的良性唾液腺瘤的诊断性能.
• 这种方法提供了一个非侵入性和准确的诊断策略,具有相当大的临床价值.
• DLRN 是一种有前途的工具,用于对常见的腺瘤进行差异诊断.