多模式深度学习网络,用于区分良性和恶性肺部地面玻璃结节
1Department of Radiological Interventional, Qinghai Red Cross Hospital, Xining, China.
Current medical imaging
|September 11, 2024
概括
一个新的多式深度学习模型准确地区分良性和恶性肺部地玻璃结节 (GGNs),为放射科医生提供了有价值的工具,并提高了诊断效率.
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:
- 肺部地面玻璃结节 (GGNs) 需要精确区分良性和恶性类型,以有效管理患者.
- 当前的诊断方法可能在实现高准确度的GGN分类方面存在局限性.
研究的目的:
- 开发和评估一个多式联网深度学习网络模型,以加强良性与恶性肺性GGN的诊断.
主要方法:
- 来自多个中国中心的肺GGN的回顾性数据集被利用,分为培训,验证和测试集.
- 使用残余网络 (ResNet) 构建了一个多式分类模型,用于成像数据,Word2Vec用于语义信息,Self Attention用于功能集成.
- 该模型的诊断性能与VGG和ResNet模型和人类放射科医生进行了比较.
主要成果:
- 多式联网模型在验证组中实现了90.2%的准确性,优于VGG和ResNet模型.
- 在测试组中,该模型显示恶性GGN的准确性为91.18%,良性GGN的准确性为80.70%,超过了放射科医生的恶性GGN诊断性能.
- 该模型与术后病理学有很强的一致性 (Kappa=0.720),表明与放射科医生相比,与黄金标准的发现有更高的一致性.
结论:
- 开发的多式联机深度学习模型显示出在准确诊断良性和恶性GGN方面具有重大潜力.
- 该模型可以作为放射科医生的宝贵参考工具,有可能提高诊断准确性和临床实践中的工作效率.
