为膀瘤选择卷积神经网络模型 囊镜图像的分类和与人类的比较

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 膀癌的诊断依赖于囊镜,临床医生之间的解释不同.
• 深度学习为客观和准确的图像分析提供了潜力.

研究的目的:

• 评估各种深度学习模型,使用囊镜图像对膀瘤进行分类.
• 将最好的AI模型的诊断性能与泌尿科医生和医学学生进行比较.

主要方法:

• 训练了17个卷积神经网络 (CNN) 模型,使用3731张囊镜图像 (2,191个瘤,1540个正常).
• 根据性能指标选择了EfficientNetB0作为最佳的AI模型.
• 将AI模型的性能与使用ROC曲线的泌尿科医生和医学学生的诊断统计数据进行比较.

主要成果:

• EfficientNetB0实现了81%的平衡精度,88%的灵敏度,74%的特异性和92%的AUC.
• 人工智能模型的表现优于医学学生 (69%的平衡精度),但精度低于经验丰富的泌尿科医生 (91%的平衡精度).
• 与医学学生 (44%) 相比,EfficientNetB0的特异性更高 (74%).

结论:

• EfficientNetB0是一个合适的AI模型,用于在囊镜图像中对膀瘤进行分类.
• 这种人工智能技术可以帮助经验较少的临床医生进行诊断.
• 基于图像的深度学习具有更广泛的生物医学图像分析和临床决策支持的潜力.