一种基于深度学习的新方法,用于自动识别胸部淋巴结站的胸内超声波 (EBUS):一个概念验证研究
Øyvind Ervik1,2, Mia Rødde3, Erlend Fagertun Hofstad3
1Clinic of Medicine, Nord-Trøndelag Hospital Trust, Levanger Hospital, 7601 Levanger, Norway.
Journal of imaging
|January 24, 2025
概括
一个新的深度学习模型使用内支气管超声波 (EBUS) 图像对胸腔淋巴结进行分类,有助于肺癌的分期. 这种人工智能方法显示了在淋巴结站识别中实时临床应用的前景.
科学领域:
- 肺部病理学 肺部病理学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 在胸腔淋巴结采样中,通过胸腔超声导向的跨胸腔针吸收 (EBUS-TBNA) 是至关重要的.
- 精确的淋巴结分期对于肺癌治疗决策至关重要.
研究的目的:
- 开发和评估一种深度学习模型,用于使用EBUS图像对胸腔淋巴结站进行分类.
- 评估AI模型在临床环境中实时应用的可行性.
主要方法:
- 在56名患者的28,134张EBUS图像上训练了一个深度神经网络 (DNN).
- 淋巴结站在实时由支气管镜学家使用山德雷斯勒命名法进行标记.
- 对DNN模型的性能进行了评估,并与手术内标签进行了对比.
主要成果:
- 该DNN模型实现了59.5%的整体分类准确度.
- 站4L显示了最高的性能指标 (精度,灵敏度,F1得分~77.6%).
- 该模型展示了快速处理 (0.65s/10图像),表明了实时潜力.
结论:
- 一个DNN模型可以从EBUS图像中对胸部淋巴结站进行分类.
- 开发的方法显示出有前途的性能和临床整合潜力,用于肺癌分期.
