基于深度学习的动态视频超声波分析,用于预测皮质甲状腺癌中的宫淋巴结转移
Tingting Qian1,2, Yahan Zhou2,3,4,5, Jincao Yao2,3,4,6,7
1Graduate School, The Second Clinical Medical College of Zhejiang Chinese Medical University, Hang Zhou, Zhejiang, 310014, China.
Endocrine
|November 18, 2024
概括
一个使用超声波动态视频的深度学习模型准确地预测了乳头甲状腺癌中的宫淋巴结转移. 这种方法显示出比静态图像更优异的性能,有助于临床治疗决策.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 宫淋巴结转移 (CLNM) 在乳头甲状腺癌 (PTC) 中很常见.
- 精确的手术前诊断CLNM对于PTC患者管理至关重要.
- 目前的超声波方法缺乏在PTC中客观预测CLNM风险.
研究的目的:
- 开发一种深度学习 (DL) 模型,用于预测PTC患者中CLNM风险.
- 为了提高CLNM诊断的准确性,使用超声波.
- 帮助临床医生做出明智的PTC治疗决策.
主要方法:
- 从388名PTC患者 (717个甲状腺结节) 进行了超声波动态视频的回顾性收集.
- 对CLNM风险预测的五个DL模型的调查.
- 使用动态视频与2D静态超声波图像进行DL模型性能比较.
主要成果:
- 在动态视频上训练的DenseNet121模型超过了使用静态图像的其他DL模型和模型.
- 在动态视频中,DenseNet121的AUROC为0.903,而静态视频的AUROC为0.828.
- 动态视频显示了对CLNM检测的更高灵敏度 (0.877比0.871) 和特异性 (0.865比0.659).
结论:
- DenseNet121 DL模型显示了在PTC中区分CLNM和非CLNM的巨大潜力.
- 超声波动态视频提供了更丰富的信息,导致更有效和更强大的CLNM识别.
- 这种人工智能驱动的方法可以增强PTC的手术前诊断和治疗计划.
