使用MUF-net进行多模式深度学习,用于使用CEUS和B模式超声波进行细胞癌的非侵入性WHO/ISUP分级

科学领域:

• 医疗成像医学成像
• 在瘤学中使用人工智能
• 细胞癌研究 细胞癌研究

背景情况:

• 对细胞癌 (RCC) 进行准确的非侵入性分级对于治疗计划至关重要.
• 传统的分级方法往往需要侵入性程序.
• 深度学习为非侵入性诊断工具提供了潜力.

研究的目的:

• 开发和验证一种多式联网深度学习模型,用于对RCC进行非侵入性WHO/ISUP核分级.
• 集成灰度和对比增强超声波 (CEUS) 视频数据.
• 为了比较多式模式的性能与单式模式的方法.

主要方法:

• 一项双中心回顾性研究分析了来自100名RCC患者的CEUS视频.
• 开发了一种新的多式超声波融合网络 (MUF-Net),集成B模式和CEUS功能.
• 五倍交叉验证和Grad-CAM可视化用于评估和解释性.

主要成果:

• MUF-Net实现了85.9%的准确性,超过了B模式 (80.8%) 和CEUS (81.8%) 模型 (P < 0.05).
• 与B模式 (0.838) 和CEUS (0.845) 相比,MUF-Net在0.909的曲线下面面积 (AUC) 显示出更高的优势.
• 格拉德-CAM分析揭示了不同的和互补的突出区域,提高了模型的可解释性.

结论:

• MUF-Net模型为RCC提供了准确和可解释的非侵入性核分级.
• 多模态深度学习优于单模态的RCC分级方法.
• 格拉德-CAM为人工智能模型的决策过程提供了有价值的见解.