人工智能算法可以预测淋巴结恶性从内支气管超声波跨支气管针吸收图像对非小细胞肺癌的肺癌
Yogita S Patel1, Anthony A Gatti2,3, Forough Farrokhyar4
1Division of Thoracic Surgery, Department of Surgery, McMaster University, Hamilton, Ontario, Canada, patelys@mcmaster.ca.
Respiration; international review of thoracic diseases
|September 15, 2024
概括
一个人工智能 (AI) 算法可以从超声波图像中预测肺癌结节转移的高精度和特异性. 这种人工智能工具有望通过EBUS-TBNA改善肺癌分期,尽管需要进一步优化.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 肺部病理学 肺部病理学
背景情况:
- 肺癌分期的内支气管超声波跨支气管针吸收 (EBUS-TBNA) 取决于操作者,导致频繁的非诊断性淋巴结 (LN) 样本.
- 这种变化影响了肺癌分期的准确性和随后的治疗决策.
研究的目的:
- 开发和评估一种人工智能 (AI) 算法,用于预测结节转移,仅使用EBUS-TBNA期间获得的淋巴结的B模式超声波图像.
- 与最终的病理学结果相比,评估AI算法的识别恶性淋巴结的性能.
主要方法:
- 使用了从773名接受EBUS-TBNA的患者获得的2,569张B模式超声波图像的前性记录数据集.
- 一组由三个深度神经网络 (ResNet152V2,InceptionV3,DenseNet201) 组成的组合在80%的图像上使用转移学习进行训练.
- 训练组合模型应用于剩余20%的图像 (测试组),并将预测与病理学结果进行比较.
主要成果:
- 人工智能整体模型在预测恶性瘤方面实现了整体准确度为80.63%.
- 该模型在检测结节转移方面表现出高特异性 (96.91%) 和积极的预测值 (85.90%).
- 灵敏度为43.23%,表明检测所有恶性病例的改善空间.
结论:
- 一个能够从超声波图像中识别节点转移的AI算法已经开发出来.
- 人工智能显示出良好的整体准确性,特异性和肺癌分期的积极预测价值.
- 建议在临床实施之前对更大的数据集进行进一步研究,以提高算法的性能.
