一种强大的深度学习方法,以不确定性估计,用于基于CT图像的细胞癌的病理分类
Ni Yao1, Hang Hu1, Kaicong Chen2
1School of Computer Science and Technology, Zhengzhou University of Light Industry, Zhengzhou, 450002, Henan, China.
Journal of imaging informatics in medicine
|September 23, 2024
概括
一个新的深度学习模型使用CT扫描准确地区分细胞癌 (RCC) 亚型. 不确定性估计提供了诊断信心,帮助放射科医生在RCC患者的手术前决策.
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:
- 准确的术前分化细胞癌 (RCC) 亚型对于治疗规划至关重要.
- 计算机断层扫描 (CT) 是评估RCC的主要成像方法.
- 深度学习为自动化图像分析和分类提供了潜力.
研究的目的:
- 开发和验证一种深度学习模型,用于使用CT图像进行RCC亚型 (清细胞,乳头细胞,染色恐惧) 的术前分类.
- 将不确定性估计纳入模型以量化诊断信心.
- 协助放射科医生为患有RCC的患者做出明智的决定.
主要方法:
- 从668名RCC患者 (中心1) 追溯收集CT数据.
- 开发一个深度学习模型,使用RCC亚型分类的五倍交叉验证.
- 模型的外部验证使用78名患者的CT数据 (中心2).
- 在模型的预测中包含不确定性估计.
主要成果:
- 该模型在交叉验证期间在分类RCC亚型方面取得了高性能 (AUC从0.839到0.868不等).
- 外部验证证明了强大的性能,AUC从0.787到0.856.
- 不确定性估计与子类型预测一起提供了有价值的信心指标.
结论:
- 深度学习模型有效地区分了基于CT成像的RCC病理亚型.
- 不确定性估计通过提供诊断信心来提高模型的实用性.
- 这种方法支持对患有细胞癌的患者进行改进的术前决策.


