基于超声波图像的深度学习,预测部淋巴结转移在患有差异化甲状腺癌的术后患者中
Fengjing Fan1, Fei Li1, Yixuan Wang1
1Department of Medical Ultrasound, Shandong Medicine and Health Key Laboratory of Abdominal Medical Imaging, The First Affiliated Hospital of Shandong First Medical University & Shandong Provincial Qianfoshan Hospital, Jinan, 250014, China.
The British journal of radiology
|March 12, 2025
概括
这项研究开发了一种深度学习 (DL) 模型,使用超声波 (US) 图像来预测分化甲状腺癌 (DTC) 患者的宫淋巴结转移 (CLNM). 与单个方法相比,联合的美国和DL模型在识别CLNM方面表现出更高的准确性.
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:
- 宫淋巴结转移 (CLNM) 是差异化甲状腺癌 (DTC) 预后的一个关键因素.
- 准确预测CLNM对于DTC患者的有效术后管理至关重要.
研究的目的:
- 开发和评估一个深度学习 (DL) 模型,利用超声波 (US) 图像来预测术后DTC患者的CLNM.
- 为了比较DL模型的诊断性能,传统的US和联合的US+DL方法.
主要方法:
- 对330名术后DTC患者的352个淋巴结进行了回顾性分析.
- 开发一个融合DL模型 (ResNet50) 整合纵向和横截面美国淋巴结图像.
- 基于美国特征和联合US+DL模型的传统美国模型的构建.
主要成果:
- 合并的DL模型显示,与单视图模型相比,诊断准确度有所提高.
- 结合US+DL模型的AUC达到0.855,精度,灵敏度和特异性分别为0.786,0.972和0.588.
- 综合模型显示,整合歧视的改善和净重新分类的改善比单独的美国和DL模型更好.
结论:
- 基于美国淋巴结图像的深度学习模型显示,在术后DTC患者中预测CLNM的诊断效率高.
- 结合的US+DL模型优于单独使用的传统US或DL模型,可在该患者群体中预测CLNM.
- 这项研究强调了DL在DTC中预测宫淋巴结状况方面的创新应用.
