用于宫癌前期和癌症预测的多式深度学习模型:开发和内部验证研究

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:

• 目前的宫癌查方法缺乏客观性和可重复性.
• 现有诊断方法的局限性需要提高准确性和一致性.

研究的目的:

• 开发和评估基于深度学习 (DL) 的宫瘤风险预测模型.
• 评估DL模型在减少不必要的手术中的临床影响.

主要方法:

• 一个DL模型被开发并使用6356名接受LEEP-conization/cone-biopsy的患者的回顾性数据进行验证.
• 该模型整合了临床数据和镜图像,用于预测CIN2+状态.
• 性能与专家临床医生的印象进行了比较.

主要成果:

• 结合临床病史和图像的DL模型在预测CIN2+方面实现了高准确性 (90.8%) 和AUC-ROC (95.3%).
• 该模型的表现优于仅基于图像或临床数据以及临床医生的印象的预测.
• 应用10%的概率值可以避免高达35%的,而不会错过CIN2+病例.

结论:

• 一种新的DL模型显示出预测子宫瘤和减少不必要的缩的巨大潜力.
• 建议进行进一步的外部验证,以确认DL模型的通用性.