甲状腺癌 中枢淋巴结转移风险分层 基于同质定位 深度学习
Siqiong Yao1,2, Pengcheng Shen1, Fang Dai1
1State Key Laboratory of Microbial Metabolism, Joint International Research Laboratory of Metabolic and Developmental Sciences, School of Life Sciences and Biotechnology, Shanghai Jiao Tong University, Shanghai 200240, China.
Research (Washington, D.C.)
|August 21, 2024
概括
一个新的AI模型,ACE-Net,使用超声波图像准确预测甲状腺癌中枢淋巴结转移. 这种工具有助于临床决策,减少37.9%的不必要手术,没有错过的阳性病例.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 在甲状腺癌中评估中枢淋巴结转移 (CLNM) 风险是具有挑战性的,因为缺乏明确的诊断标准.
- 结节局部预测了CLNM,但鉴于当前的测量可变性,很难量化这种关系.
研究的目的:
- 开发一种人工智能驱动的方法,用于精确评估超声波诊断的甲状腺癌中CLNM风险.
- 量化结节特征与CLNM之间的关系,以指导预防性淋巴结手术决策.
主要方法:
- 开发了ACE-Net模型,该模型使用微分异构和图形变压器从88,796张超声波图像中提取结节的定位和形态.
- 采用可解释的方法来识别CLNM预测因素,并生成风险热图用于视觉表示.
- 在6个外部多中心测试中验证了ACE-Net.
主要成果:
- 在预测CLNM时,ACE-Net的AUC达到0.826,超过了人类专家准确度 (0.561).
- 通过风险热图识别了高风险的CLNM区域,可能与淋巴通路有关.
- 当结节边缘与甲状腺囊的最小距离小于1.25毫米时,确定的转移概率超过80%.
结论:
- ACE-Net为甲状腺癌管理提供了准确的CLNM预测和可解释的见解.
- 该模型可以将不必要的淋巴结剖析减少37.9%,同时保持高灵敏度.
- 在甲状腺癌治疗计划中,ACE-Net 作为一种有价值的临床决策工具.
