一种堆叠组合系统用于识别膀癌中组织学变异的存在:一个多中心研究

科学领域:

• 泌尿器科 泌尿器科 泌尿器科 泌尿器科
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 膀癌的组织学变异需要准确的鉴定才能有效治疗.
• 目前的诊断方法可能是侵入性的和耗时的.
• 需要简单,高效和非侵入性的方法来检测膀癌变种.

研究的目的:

• 开发一种简单,高效,非侵入性识别膀癌组织学变异的系统.
• 构建一个基于深度学习的交互式框架,用于膀癌图像细分和特征提取.
• 构建一个堆叠组合模型,集成放射学和深度学习功能,以提高诊断准确度.

主要方法:

• 一项多中心诊断研究追溯收集了三家医院的CT图像和患者数据.
• 开发了一个使用Swin UNETR的交互式深度学习框架,用于图像细分.
• 放射性和深度学习特征被提取并组合到一个堆叠组合模型中.

主要成果:

• 开发的系统在训练和测试数据集中都取得了出色的表现.
• 细分模型的性能指标包括子相似性 (Dice),联盟交叉点 (IOU),敏感性 (SEN) 和特异性 (SPE).
• 最终的堆叠组合模型显示了高精度 (ACC) 和曲线下的面积 (AUC) 膀癌变种识别.

结论:

• 一个堆叠集团机器学习模型已成功构建,用于早期,非侵入性识别膀癌组织学变异.
• 该系统有可能帮助泌尿科医生做出明智的临床决策.
• 开发的方法为膀癌诊断提供了一个有前途的非侵入性工具.