使用DenseNet-121模型对胎盘缩谱的深度学习辅助诊断:一个多中心的回顾性研究
Yurui Hu1,2, Tianyu Liu1,2, Shutong Pang1,2
1School of Graduate, Hebei North University, Zhangjiakou, 075000, Hebei, China.
Journal of imaging informatics in medicine
|March 25, 2025
概括
与传统方法相比,深度学习 (DL) MRI成像在诊断胎盘增生谱 (PAS) 中表现优越. 这种先进的方法为高风险怀孕提供了更好的准确性.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 胎盘增生谱 (PAS) 在高风险怀孕中存在重大风险.
- 准确的产前诊断PAS对于有效的管理和改善母亲的结果至关重要.
研究的目的:
- 评估使用磁共振成像 (MRI) 预测PAS的深度学习 (DL) 成像的诊断性能.
- 将DL模型的疗效与传统的临床因素和机器学习 (ML) 放射学模型进行比较.
主要方法:
- 追溯分析263名怀孕妇女的高风险怀疑PAS.
- 使用15个放射性特征开发和比较支向量机 (SVM),K-最近邻居 (KNN),随机森林 (RF),光梯度增强机 (LGBM) 和DL模型.
- 使用曲线下的面积 (AUC) 和训练和外部验证集中的准确性来验证模型性能.
主要成果:
- 深度学习 (DL) 模型在培训组中实现了0.956的AUC,在外部验证组中达到0.863.
- 与ML模型和传统的临床风险因素相比,DL模型显示出更高的诊断效率和特异性.
- 确定的独立临床风险因素包括剖腹产史,胎盘厚度和胎盘前.
结论:
- 基于MRI的深度学习 (DL) 图像显示了准确PAS诊断的有希望的潜力.
- 对于PAS预测,DL模型可能会超过传统的临床评估和ML放射学方法.
- 建议进行进一步的验证,以确认DL在PAS诊断中的临床实用性.
