基于注意力的图像细分和分类模型用于甲状腺结节的术前风险分层

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:

• 甲状腺结节的标准化分类系统通常需要诊断手术,限制了可访问性.
• 用于甲状腺结节风险分层的基因组测序是昂贵的,不适用于全球.
• 可解释的人工智能 (AI) 对于医学诊断中的临床采用至关重要.

研究的目的:

• 开发一种可解释的AI模型来对甲状腺结节进行细分和分类.
• 在使用人工智能进行甲状腺结节评估时提供风险问责制.
• 为了提高甲状腺结节风险分层的准确性和可访问性.

主要方法:

• 从105名接受甲状腺切除术的患者收集了414张超声波图像.
• 训练了三个人工智能架构,包括区块关注模块,用于结节识别和良性/恶性分类.
• 利用梯度加权类激活地图 (Grad-CAM) 进行AI预测的视觉解释.

主要成果:

• 阻断注意力AI模型在分层甲状腺结节方面取得了卓越的性能.
• 在测试数据集上获得了93%的准确性和93%的良性结节的敏感性,以及90%的准确性和91%的恶性结节的敏感性.
• 可解释性地图突出显示了与既定医学知识相一致的诊断标准.

结论:

• 开发了一种用于甲状腺结节风险分层的AI模型,具有高准确性和可视化解释性.
• 该模型将手术组织病理学作为基准真理,提供可靠的诊断支持.
• 这种人工智能方法增强了对甲状腺结节的风险评估,可能减少了对侵入性手术的需要.