开发一个深度学习模型来预测卵巢癌在卵巢-尾报告和数据系统超声波 (O-RADS美国) 第4类病变:一个多中心研究

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:

• 卵巢瘤需要准确地区分良性和恶性类型,以进行适当的管理.
• 卵巢-尾报告和数据系统超声波 (O-RADS US) 4类病变是一个诊断挑战.
• 深度学习 (DL) 提供了改善医学成像诊断准确性的潜力.

研究的目的:

• 开发和验证一种深度学习模型,用于将O-RADS美国第四类卵巢瘤分类为良性或恶性.
• 评估开发的DL模型的诊断性能.

主要方法:

• 来自三个中心的1619张超声波图像 (2014年12月 - 2023年3月) 的回顾性分析.
• 利用DeepLabV3和YOLOv8进行卵巢瘤的细分,分类和检测.
• 使用精度,回忆和接收器操作特征曲线 (AUC) 下的面积来评估性能.

主要成果:

• DL模型实现了高平均精度:98.68%的良性和96.23%的恶性质量.
• 在训练组中,ROC曲线下的面积 (AUC) 为0.96,在验证组中为0.93,在测试组中为0.95.
• 该模型在所有数据集中显示出强烈的灵敏度,特异性和准确性 (例如,测试集:分别为0.925,0.955,0.941).

结论:

• 开发的深度学习模型显示出在O-RADS美国第四类内区分良性和恶性卵巢瘤的出色诊断性能.
• 人工智能工具有望提高卵巢瘤诊断的准确性和效率.