基于超声波图像的深度学习区分了腺形腺瘤和小瘤
Yajuan Li1, Mingchi Zou1, Xiaogang Zhou1
1Department of Ultrasound, Yongchuan Hospital of Chongqing Medical University, Chongqing, China.
Ultrasonic imaging
|March 29, 2025
概括
深度学习模型使用超声波图像准确地识别了唾液腺瘤,表现优于人类专家. 这种人工智能方法提高了诊断的一致性,并支持形腺瘤和Warthin的临床决策.
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:
- 唾液腺瘤,包括多形腺瘤和沃丁瘤,需要精确的分化才能有效治疗.
- 目前的诊断方法依赖于成像和病理分析,这可能是主观的和耗时的.
- 深度学习为自动化和客观的瘤识别提供了潜在的解决方案.
研究的目的:
- 开发和评估一个深度学习模型,以使用超声波图像来区分多形腺瘤和沃丁瘤.
- 将深度学习模型的诊断性能与经验丰富和经验较少的超声波医生进行比较.
- 与传统方法相比,评估人工智能驱动的瘤识别的一致性和准确性.
主要方法:
- 一项回顾性研究分析了来自91名被诊断患有形腺瘤或沃丁瘤的患者的526张超声波图像.
- 卷积神经网络 (CNN) 模型 (ResNet18,MobileNetV3Small,InceptionV3) 进行了训练和验证.
- 使用AUC,灵敏度,特异性和卡帕测试来评估性能,将AI结果与专家解释和病理诊断进行比较.
主要成果:
- 移动网络V3Small深度学习模型实现了最高的诊断准确度 (87.0%,AUC:0.946).
- 与经验丰富 (73.5%) 和经验较少 (69.0%) 的超声波仪相比,深度学习模型表现出更高的性能.
- 最好的深度学习模型与病理诊断有很强的一致性 (kappa: .778),表现优于经验较少的超声波仪 (kappa: .380).
结论:
- 深度学习模型在精确区分从超声波图像中的形腺瘤和小瘤方面显示出显著的希望.
- 基于人工智能的方法可以减少主观诊断错误,提高唾液腺瘤识别的一致性.
- 这项技术可以作为临床医生有价值的决策支持工具,提高诊断准确性和效率.
