使用CT和MR成像进行卵巢质量的AI辅助诊断的方法框架
Pratik Adusumilli1,2, Nishant Ravikumar3, Geoff Hall4,5
1Department of Clinical Radiology, Leeds Teaching Hospitals NHS Trust, Leeds LS9 7TF, UK.
Journal of personalized medicine
|February 25, 2025
概括
这项研究开发了一种深度学习 (DL) 管道,使用CT和MRI扫描来分类卵巢质量. 该框架显示了改善妇科恶性瘤诊断准确性的前景.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 卵巢癌是一种常见的妇科恶性瘤,目前没有有效的查策略.
- 诊断依赖于成像 (CT,MRI),生物标志物和多学科讨论,边界病例的解释挑战.
研究的目的:
- 开发和评估深度学习 (DL) 方法管道,用于从CT和MRI数据中对卵巢质量进行分类.
- 通过人工智能辅助解释来增强诊断信心和患者的结果.
主要方法:
- 使用了回顾性,多机构数据集,并增加了来自癌症基因组图谱的数据.
- 两个DL分类工作流程 (整个体积和感兴趣的区域) 在MONAI框架内使用各种架构 (ResNet,DenseNet,UNeST,Attention MIL) 进行了探索.
- 使用焦点损失,过量采样和动态类权重来解决类不平衡,并通过Optuna.net进行超参数优化.
主要成果:
- 拟议的DL管道证明了在初步数据集上对卵巢质量进行多类分类的可行性.
- 最初的实验表明了变压器和注意力MIL模型在识别关键成像特征方面的潜力.
结论:
- 从CT和MRI扫描建立了基于DL的卵巢质量分类的可复制的方法管道.
- 未来的工作将集中在使用更大的数据集来改进模型,以改善卵巢癌的临床工作流程和患者结果.


