机器学习模型评估卵巢瘤恶性瘤风险:一项比较研究

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 卵巢癌的诊断在很大程度上依赖于通过阴道超声波 (TVUS) 图像的主观评估.
• 准确的恶性瘤风险分层对于及时和适当的患者管理至关重要.
• 开发客观和可重复的诊断工具是妇科瘤学的持续挑战.

研究的目的:

• 为了比较各种机器学习模型的诊断疗效与卵巢瘤恶性瘤风险的专家主观评估 (SA).
• 评估包括ResNet,DenseNet,ViT和Swin Transformer在内的深度学习模型的性能,与阴道超声波 (TVUS) 一起使用.
• 确定是否结合癌症抗原125 (CA 125) 改善了这些模型的诊断准确性.

主要方法:

• 一个回顾性单中心研究包括1555名在2019年1月至2021年5月期间接受TVUS的患者.
• 开发和评估了四种深度学习模型 (ResNet,DenseNet,ViT,Swin Transformer).
• 模型性能与专家主观评估 (SA) 进行了比较,并没有添加CA 125数据.

主要成果:

• 主观评估 (SA) 的AUC达到0.97.
• 深度学习模型,不包括视觉转换器,显示了与SA相比的诊断性能.
• 丹森网 (AUC 0.91),ResNet50 (AUC 0.91),Swin变压器 (AUC 0.92) 显示出高精度;视觉变压器 (AUC 0.87) 的精度明显低于SA和Swin变压器.
• 添加CA 125并没有提高任何模型的诊断性能.

结论:

• 使用TVUS数据的深度学习模型显示了卵巢癌评估的巨大潜力.
• 这些人工智能模型的诊断性能与专家的主观评估相当.
• 这些发现表明,人工智能驱动的TVUS分析可以作为评估卵巢瘤恶性瘤风险的宝贵工具.