在超声成像中使用深度转移学习进行甲状腺结节分类
Yan Xu1, Mingmin Xu1, Zhe Geng1
1Department of Ultrasound, Zhejiang Rongjun Hospital, No.309 Shuangyuan Road, Jiaxing, 314001, China.
BMC cancer
|March 26, 2025
概括
一种结合传统机器学习和深度转移学习的新型融合模型显著提高了诊断甲状腺结节的准确性. 这种先进的方法增强了用于甲状腺疾病检测的临床决策.
科学领域:
- 医学成像分析 医学成像分析
- 人工智能在医学中的应用
- 瘤学 诊断 诊断 瘤学
背景情况:
- 准确诊断甲状腺结节在临床实践中至关重要但具有挑战性.
- 开发精确的甲状腺结节诊断方法是必不可少的.
- 这项研究探讨了用于改善甲状腺结节分类的先进计算技术.
研究的目的:
- 评估传统机器学习和深度转移学习模型的预测效果,以区分良性和恶性甲状腺结节.
- 开发和验证一个融合模型,整合多种AI方法,以提高诊断性能.
- 使用人工智能推进甲状腺结节的诊断范式.
主要方法:
- 从630名患者1134张甲状腺结节超声波图像的回顾性分析.
- 使用ITK-Snap软件进行图像预处理和特征提取.
- 通过LASSO回归进行特征选择,然后使用支持矢量机 (SVM) 和Inception V3 (转移学习) 进行模型开发,然后进行模型融合.
主要成果:
- 支持矢量机 (SVM) 模型实现了0.748的AUC,Inception V3转移学习模型实现了0.763.
- 合并模型显示出0.783的优异AUC,显示出比传统方法 (p=0.036) 的统计学上显著改善.
- 决策曲线分析证实了融合模型的卓越临床实用性和实际适用性.
结论:
- 融合模型将卷积神经网络 (CNN) 与传统机器学习和深度转移学习集成,有效地区分良性和恶性甲状腺结节.
- 这种模型融合方法显著提高了甲状腺结节分类的诊断性能.
- 开发的智能工具为临床检测甲状腺疾病提供了强大的解决方案.
