肺癌的诊断使用内支气管超声波图像基于多尺度图像和多特征融合框架
Huitao Wang1, Takahiro Nakajima2, Kohei Shikano3
1Department of Medical Engineering, Graduate School of Science and Engineering, Chiba University, Chiba 263-8522, Japan.
Tomography (Ann Arbor, Mich.)
|March 26, 2025
概括
这项研究介绍了M3-Net,一种使用EBUS图像进行深度学习的AI系统,用于早期肺癌检测. 人工智能模型在改善诊断准确性和患者存活率方面显示出前景.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 肺部病理学 肺部病理学
背景情况:
- 肺癌仍然是全球癌症死亡的主要原因之一.
- 早期诊断对于改善肺癌生存率至关重要.
- 人工智能和成像技术的进步为肺癌检测提供了新的途径.
研究的目的:
- 开发用于肺癌检测的计算机辅助诊断 (CAD) 系统.
- 为了利用内支部超声波 (EBUS) 图像和深度学习算法.
- 为了提高早期肺癌检测和改善患者的生存率.
主要方法:
- 提出了M3-Net,这是一个具有基于注意力的机制的多部门深度学习框架.
- 综合多种功能,用于全面评估肺癌.
- 在95名患者的1140张EBUS图像数据集上验证了框架 (13个良性,82个恶性).
主要成果:
- 获得了0.76的精度和0.75.7的F1得分.
- 报告的曲线下的面积 (AUC) 为0.83.
- 证明灵敏度为0.72,特异性为0.80,PPV为0.80和NPV为0.75.
结论:
- 提出的基于注意力的多功能融合框架显示了协助肺癌诊断的巨大潜力.
- 通过提供EBUS图像的全面信息,M3-Net可以提高诊断性能.
- 这种人工智能驱动的方法可以帮助更早,更准确地检测肺癌.
