诺莫图谱用于预测状甲状腺癌的宫淋巴结转移,使用基于深度学习的超高分辨率超声波图像
Xia Li1, Yu Zhao1, Wenhui Chen2
1Department of Ultrasound, The Second Affiliated Hospital, Jiangxi Medical College, Nanchang University, No. 1, Minde Road, Donghu District, Nanchang, 330006, Jiangxi, People's Republic of China.
Discover oncology
|November 24, 2024
概括
深度学习超分辨率 (SR) 超声波模型显著改善了在乳头甲状腺癌 (PTC) 中宫淋巴结转移的预测. 一个整合SR图像的nomogram显示了临床决策的卓越准确性.
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:
- 乳头甲状腺癌 (PTC) 诊断依赖于准确的分期,包括宫淋巴结状态.
- 在手术前预测淋巴结转移对于有效的治疗计划至关重要.
研究的目的:
- 评估一种深度学习 (DL) 超分辨率 (SR) 超声波模型,用于预测PTC中的宫淋巴结转移.
- 为了比较SR超声波图像与原始 (OR) 图像在模型性能中的有效性.
主要方法:
- 一项回顾性研究包括544名PTC患者,随机分配到训练和测试组.
- 创建SR超声波图像以提高分辨率.
- 机器学习 (ML) 和DL模型 (SR-ResNet 101,SR-SVM) 使用原始 (OR) 和SR图像进行训练.
- 通过将最好的模型与临床参数相结合,构建了名图.
主要成果:
- 基于SR的模型 (SR-SVM,SR-ResNet 101) 在预测淋巴结转移方面超过了基于OR的模型.
- 在试验组中,SR-SVM模型实现了0.878的AUC,而OR-SVM的AUC为0.822.
- 综合SR-SVM和临床数据 (Nomogram_A) 的名图表显示出最高的性能,AUC为0.930,明显超过其他模型和放射科医生.
结论:
- 在PTC中,SR重建的超声图像显著改善了手术前宫淋巴结转移的预测.
- 基于SR图像的nomogram预测模型提供了更高的准确性和改善临床决策的潜力.
