一个多视图深度学习模型用于超声波成像中的甲状腺结节检测和表征
Sanaz Vahdati1, Bardia Khosravi1, Kathryn A Robinson2
1Artificial Intelligence Laboratory, Department of Radiology, Mayo Clinic, 200 1st Street, SW, Rochester, MN 55905, USA.
Bioengineering (Basel, Switzerland)
|July 27, 2024
概括
一个深度学习 (DL) 管道有效地检测和分类使用超声波 (US) 图像的甲状腺结节. 这种人工智能方法显示出在甲状腺癌评估中改善诊断性能的潜力.
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:
- 甲状腺超声波 (US) 是甲状腺结节评估的标准.
- 深度学习 (DL) 在提高甲状腺癌诊断方面表现有前途.
研究的目的:
- 开发和评估用于检测和分类甲状腺结节的DL管道.
- 用ACR-TIRADS.对DL性能与专家放射科医生的评估进行比较.
主要方法:
- 一个DL管道使用两个你只看一次 (YOLO) v5模型用于从横向和纵向美国图像中检测和分类结节.
- 组合方法与非最大抑制 (NMS) 和极端梯度增强 (XGBoost) 模型用于最终恶性瘤预测.
- 追溯分析983例患者病例与81例独立测试集.
主要成果:
- DL管道实现了接收器运行特征曲线 (AUROC) 下的面积为0.84.
- 灵敏度和特异性分别为84%和63%,优于ACR-TIRADS (76%的灵敏度,34%的特异性).
- 组合模型实现了mAP0.5的0.797 (横向) 和0.716 (纵向) 的得分.
结论:
- 拟议的DL管道证明了准确评估甲状腺结节的巨大潜力.
- 这种人工智能驱动的方法可以提高诊断性能,识别恶性甲状腺结节.
- 在甲状腺癌查中,DL提供了一个有前途的工具来增强放射科医生的能力.
