综合深度学习和放射学分析用于卵巢瘤分类和诊断:一个多中心大样本比较研究
Yi Zhou1, Yayang Duan1, Qiwei Zhu1
1Department of Ultrasound, The First Affiliated Hospital of Anhui Medical University, Shushan District, NO.218 Jixi Road, Hefei, 230022, Anhui Province, China.
La Radiologia medica
|April 1, 2025
概括
结合深度学习和放射学模型,使用阴道超声图像准确区分卵巢瘤. 这种先进的诊断工具可以改善恶性瘤的预测,从而做出更好的临床决策.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 卵巢瘤需要准确地区分良性和恶性类型,以获得有效的治疗.
- 当前的诊断方法在精度上可能有局限性.
研究的目的:
- 为了评估基于跨阴道超声波 (美国) 的放射学和用于卵巢瘤分类的深度学习模型的联合有效性.
- 根据O-RADS和专家评估等既定方法评估诊断性能.
主要方法:
- 一项多中心回顾性研究分析了来自2078名患者的灰度和彩色美国图像.
- 卷积神经网络 (CNN) 和放射学模型被开发和验证.
- 组建了一个CNN-放射学模型,并使用AUC,灵敏度和特异性来评估其预测性能.
主要成果:
- 综合CNN-放射学模型实现了最高的AUC (0.977内部,0.972外部).
- 该模型的表现优于个别的CNN和放射学模型,O-RADS和专家评估 (p < 0.05).
- 在组合模型中观察到高灵敏度和特异性.
结论:
- 结合CNN-放射学模型为诊断卵巢瘤提供了一个高度准确和可靠的方法.
- 这种方法可以提高恶性瘤的预测,为临床医生提供更精确的诊断工具.
- 美国的跨阴道放射学和深度学习集成在妇科瘤学中显示出重大前景.
