机器学习的应用以使用深度转移学习来区分胸腺瘤和胸腺囊:基于不同维度模型的诊断性能的多中心比较
Yuhua Yang1,2, Jia Cheng3, Liang Chen4
1Department of Radiology, The Second Affiliated Hospital, Jiangxi Medical College, Nanchang University, Nanchang, China.
Thoracic cancer
|September 21, 2024
概括
深度转移学习 (DTL) 模型在使用计算机断层扫描 (CT) 扫描时,在区分胸腺瘤和胸腺囊方面表现出高准确度. 这些人工智能工具可以帮助临床医生进行非侵入性差异诊断.
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:
- 胸腺瘤和胸腺囊是常见的前端中质.
- 准确的差异诊断对于适当的患者管理至关重要.
- 目前的诊断方法可能是有限的.
研究的目的:
- 评估深度转移学习 (DTL) 模型在区分胸膜瘤和胸膜囊方面的表现.
- 评估具有不同输入尺寸 (2D,2.5D,3D) 的DTL模型.
主要方法:
- 胸部增强计算机断层扫描 (CT) 扫描的回顾性分析.
- 使用卷积神经网络 (CNNs) 和视觉转换器 (ViT) 开发2D,2.5D和3D DTL模型.
- 输入图像包括单个截面,相邻的切片和整个病变体积.
主要成果:
- 2D模型实现了曲线下的面积 (AUC) 高达0.950 (Resnet50).
- 2.5D模型显示AUC值高达0.981 (Inception_v3) 和0.965 (Vgg11). 这些AUC值在2.
- 3D模型,特别是3D_Resnet50,显示出高性能,AUC达到0.987.
结论:
- 跨越不同维度的DTL模型对于胸膜瘤和胸膜囊的非侵入性差异诊断是有效的.
- 这些由人工智能驱动的工具提供高灵敏度和特异性.
- DTL可以帮助临床医生在评估中质量时做出决策.
