自动瘤细分和淋巴结转移预测在乳头甲状腺癌使用超声波关键框架的乳头甲状腺癌
Xian-Ya Zhang1, Di Zhang2, Zhi-Yuan Wang3
1Department of Medical Ultrasound, Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology, Wuhan, China.
Medical physics
|October 30, 2024
概括
一个新的深度学习模型使用超声波视频关键准确地预测乳头甲状腺癌中的淋巴结转移. 这种自动化工具改进了现有方法,并协助放射科医生,提高了患者管理.
科学领域:
- 医疗成像中的人工智能
- 瘤学和放射学 在线诊断
背景情况:
- 宫淋巴结转移 (LNM) 的准确手术前预测对于乳头甲状腺癌 (PTC) 的分期和治疗至关重要.
- 改善的预后和管理取决于精确的LNM评估.
研究的目的:
- 在PTC中开发一个完全自动化的深度学习支持模型 (FADLM) 用于瘤细分和LNM预测.
- 使用超声波 (美国) 视频关键进行自动化分析.
主要方法:
- 开发了FADLM集成Mask R-CNN进行细分和ResNet34用于LNM诊断.
- 与放射学模型 (RM,TRM) 和临床语义模型 (CSM) 进行FADLM比较.
- 使用AUC,热图和DCA验证的性能;在FADLM协助下评估放射科医生的性能.
主要成果:
- 在整个队列中,FADLM实现了高细分性能 (DSC:0.850.88).
- 与RM和CSM相比,FADLM表现出优异的LNM预测AUC (0.780.83) 与RM和CSM相比.
- FADLM显著提高了放射科医生的精度和灵敏度,减少了细分时间.
结论:
- FADLM显示了在PTC中使用美国视频关键进行高效和一致的宫LNM预测的强大潜力.
- FADLM的性能优于现有的模型和人类放射科医生,提供了有前途的临床疗效.
