通过深度学习提高O-RADS应用有效性的探索性研究,用于初学者超声波学家
Tao Liu1, Kuo Miao1, Gaoqiang Tan1
1Department of Medical Ultrasound, The Fourth Affiliated Hospital of Harbin Medical University, No. 37 Yiyuan Street, Nangang District, Harbin, 150001, Heilongjiang, China.
Archives of gynecology and obstetrics
|November 23, 2024
概括
一个深层卷积神经网络 (ConvNeXt-Tiny) 模型在O-RADS成像中有效地区分了良性卵巢病变与其他病变. 这种人工智能工具提高了初学者超声波仪的诊断准确性和效率,提高了与专家评估的一致性.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 妇科瘤学成像检查 妇科瘤学成像检查
背景情况:
- 卵巢附病变报告和数据系统 (O-RADS) 对于分类附病变至关重要.
- 新手超声波学家在准确区分良性卵巢病变与其他卵巢病变方面可能面临挑战.
- 深度卷积神经网络 (DCNNs) 提供了改善医学成像诊断准确性的潜力.
研究的目的:
- 开发和评估基于ConvNeXt-Tiny的DCNN模型,用于在O-RADS中识别经典良性病变 (CBL) 与其他病变 (OL).
- 评估该模型在提高初学者超声波仪的诊断性能方面的实用性.
主要方法:
- 追溯收集对关病变的超声波图像 (开发和测试数据集).
- 训练一个ConvNeXt-Tiny模型,在原始和U-Net细分图像上进行转移学习.
- 在独立测试数据集上使用灵敏度,特异性,精度和AUC验证模型性能.
- 评估模型对初学者超声波学家O-RADS分类准确性和效率的影响.
主要成果:
- ConvNeXt-Tiny模型实现了高AUC (0.955在原始图像的ITD上).
- 在模型辅助初学者超声波和高级超声波之间,诊断性能没有显著差异.
- 显著减少分类时间 (62-64分钟) 使用模型辅助.
- 提高了高级专家分类的一致性 (kappa值增加到>0.90).
结论:
- 在O-RADS中,ConvNeXt-Tiny模型在区分良性卵巢病变与其他卵巢病变方面表现强.
- 人工智能辅助使初学者超声波仪的诊断性能与高级专家相提并论.
- 该模型提高了初学者超声波学家的分类效率和一致性.
