基于血管特征的定量多模式预测模型,用于多源恶性宫淋巴腺症.
Chunyan Li1, Rui Li2, Jinjing Ou1
1Department of Ultrasound, State Key Laboratory of Oncology in South China, Guangdong Provincial Clinical Research Center for Cancer, Sun Yat-sen University Cancer Center, Guangzhou, 510060, China.
EClinicalMedicine
|March 3, 2025
概括
一个人工智能框架 (DMFLNN) 提高了放射科医生的诊断恶性宫淋巴腺病的准确性. 这种人工智能工具提高了诊断性能,并可能减少不必要的活检.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 宫淋巴腺病的诊断面临着挑战,因为在成像解释中,读者之间的可重现性较低.
- 需要一种定量方法来提高诊断恶性宫淋巴腺病的准确性和一致性.
研究的目的:
- 开发和验证一个人工智能框架,整合定量血管特征来评估宫淋巴腺病.
- 探索这种AI框架在协助放射科医生的实用性.
主要方法:
- 一个双模式,多功能,融合淋巴结网络 (DMFLNN) 使用超声波图像开发了超过10,000名患者.
- 定量血管,形态和语义特征被融合在一起,创造了DMFLNN.
- 人工智能的表现与六名放射科医生在内部和外部测试队伍中进行了比较.
主要成果:
- DMFLNN获得了高AUC (0.937内部,0.875外部).
- 放射科医生的表现 (AUC) 在DMFLNN协助下显著改善 (高级:0.814至0.836;初级:0.778至0.847).
- 放射科医生之间的一致性和诊断准确性增加,而假阳性率下降.
结论:
- 开发的AI框架 (DMFLNN) 显示了提高宫淋巴腺病的诊断准确性的潜力.
- DMFLNN可以提高放射科医生的表现,并可能减少不必要的活检.
- 在广泛采用之前,建议进行进一步的临床验证.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
03:55Computer-Aided Three-Dimensional Visualization in the Treatment of Locally Advanced Thyroid Cancer
Published on: June 9, 2023
472