深度学习模型用于诊断大小小小于1厘米的甲状腺结节:一个多中心的回顾性研究
Na Feng1,2, Shanshan Zhao3, Kai Wang4
1Department of Ultrasound, Zhejiang Cancer Hospital, Hangzhou 310022, China.
European journal of radiology open
|November 18, 2024
概括
一个新的双通道深度学习模型,TNT-Net,使用超声波图像准确诊断小甲状腺结节. 这种人工智能工具在减少过度诊断和过度治疗,以改善患者管理方面表现有前途.
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:
- 甲状腺结节很常见,准确的早期诊断,特别是对于小于1厘米的甲状腺结节,仍然具有挑战性.
- 当前的诊断方法可能导致过度诊断和过度治疗.
研究的目的:
- 开发和验证双通道深度学习模型,以使用超声波图像准确早期诊断小甲状腺结节 (<1厘米).
主要方法:
- 开发了一种新的双通道深度学习模型,即甲状腺结节转换器网络 (TNT-Net).
- 该模型利用甲状腺结节的横向和纵向超声波图像.
- 为了培训和验证,使用了来自五家医院的8455名患者的9649个结节的大数据集.
主要成果:
- TNT-Net实现了高诊断性能,其AUC为0.953 (内部) 和0.941 (外部).
- 该模型显著超过了传统的深卷积神经网络和单通道变压器模型.
- 功能可视化表示TNT-Net捕获更丰富的模式,表明恶性结节.
结论:
- TNT-Net模型在识别小甲状腺结节方面表现出卓越的准确性.
- 这种人工智能工具有可能减少过度诊断和过度治疗,支持精确的甲状腺结节管理.
- TNT-Net补充了细针吸入活检,以改善诊断工作流程.
