通过机器学习通过CT扫描对瘤进行完全自动化的细分和分类,并通过机器学习对瘤进行分类
Jang Hee Han1,2, Byung Woo Kim3, Taek Min Kim4,5
1Department of Urology, Seoul National University Hospital, 101 Daehak-ro, Jongno-gu, Seoul, 03080, South Korea.
BMC cancer
|January 29, 2025
概括
一个深度学习系统准确地细分和分类脏瘤,显示出自动诊断的前景. 该系统在较大的瘤中获得了更高的准确性,有助于区分亚型和良性从恶性病例.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 在瘤学瘤学.
背景情况:
- 脏瘤需要准确的细分和分类才能得到有效的治疗.
- 目前的方法可能是劳动密集型,容易变化.
- 深度机器学习为医疗图像的自动化分析提供了潜力.
研究的目的:
- 开发和评估一个完全自动化的深度学习系统,用于瘤细分和亚型分类.
- 评估系统在不同瘤大小和类型的性能.
- 将自动分类与良性与恶性区别进行比较.
主要方法:
- 在CT图像上训练了一个3D U-Net模型,用于自动瘤细分.
- 一个随机的森林分类器利用放射性和常规特征进行亚型分类.
- 该系统处理了561种病理证明的瘤,包括清细胞RCC,乳头RCC,染色恐惧RCC和血管肌脂瘤.
- 使用Dice相似系数 (DSC) 来测量性能,用于细分和准确性,敏感性和特异性用于分类.
主要成果:
- 自动细分实现了DSC的0.83瘤>4厘米和0.65瘤<4厘米.
- 区分RCC亚型的分类准确率为0.77对于4厘米以上的瘤和0.68对于4厘米以下的瘤.
- 该系统在将瘤分类为良性与恶性时显示了0.85的准确性.
结论:
- 开发的自动化系统显示了精确瘤细分和分类的巨大潜力.
- 该模型的性能表明,它是迈向人工智能驱动的神经瘤诊断工具的有希望的一步.
- 进一步验证可能会增强它对各种脏瘤呈现的临床效用.


