深度学习应用程序的诊断性能在肝细胞癌检测使用计算机断层扫描成像使用计算机断层扫描图像

科学领域:

• 医疗成像医学成像
• 在瘤学中使用人工智能
• 肝细胞癌研究 肝细胞癌研究

背景情况:

• 肝细胞癌 (HCC) 是全球癌症死亡的主要原因.
• 晚期诊断是导致HCC患者表现不佳的主要因素.
• 早期发现HCC仍然是一个重大的临床挑战.

研究的目的:

• 评估深度学习 (DL) 模型的有效性,特别是你只看一次 (YOLO) 架构,用于检测计算机断层扫描 (CT) 图像中的HCC.
• 通过先进的AI技术,增强HCC的早期诊断.
• 通过减少诊断延迟和错误来改善患者的结果.

主要方法:

• 使用了一组数据集,包括122名患者的1290张CT图像.
• 数据集分为培训 (70%),验证 (20%) 和测试 (10%) 集.
• 一个基于YOLO的DL模型被训练并验证用于CT扫描中检测HCC.

主要成果:

• 基于YOLO的DL模型实现了高诊断精度:精度为0.972,回忆为0.919,整体精度为95.35%.
• 该模型表现出极好的性能,其特异性为95.83%和灵敏度为94.74%.
• 这些结果在准确性和效率方面明显超过了传统的诊断方法.

结论:

• 在CT成像中早期检测HCC时,YOLO架构显示出相当大的前景.
• 与人工智能技术集成的DL模型准备成为瘤诊断中的标准工具.
• 人工智能诊断的进步可以提高瘤学中的准确性,效率和患者存活率.