适应式双任务深度学习用于查美国的自动化甲状腺癌选
Shao-Hong Wu1, Ming-De Li1, Wen-Juan Tong1
1Department of Medical Ultrasonics, Institute of Diagnostic and Interventional Ultrasound, First Affiliated Hospital of Sun Yat-sen University; Ultrasomics Artificial Intelligence X-Laboratory, MedAI Collaborative Laboratory, Guangzhou 510080, China.
Radiology. Artificial intelligence
|April 9, 2025
概括
一个自适应的双任务深度学习模型 (ThyNet-S) 提高了甲状腺癌查效率. 这种人工智能工具提高了诊断准确度,减少了不必要的程序,优化了甲状腺超声波查的临床决策.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 甲状腺癌查依赖于超声波 (美国) 解释,这可能是资源密集的.
- 准确检测和分类甲状腺病变对于有效的查至关重要.
- 深度学习模型为提高诊断性能和工作流效率提供了潜力.
研究的目的:
- 开发和评估适应式双任务深度学习模型ThyNet-S,用于甲状腺美国查.
- 评估ThyNet-S在检测和分类甲状腺病变和确定癌症风险方面的表现.
- 研究ThyNet-S对放射科医生的工作量和临床决策的影响.
主要方法:
- 使用了35008张来自23294次检查的美国甲状腺图像的回顾性多中心数据集.
- ThyNet-S集成的病变检测 (像素级) 和分类 (深度语义特征) 用于癌症风险评估.
- 在ThyNet-S辅助查和传统的仅放射科医生的查之间,使用灵敏度,特异性,准确性和AUC进行了诊断性能比较.
主要成果:
- 与放射科医生单独相比,ThyNet-S辅助查显示了接收器操作特征曲线 (AUC) 下的区域较大 (0.93 vs 0.91/0.92).
- 该模型提高了初级放射科医生的灵敏度,并通过对60.4%的病例进行分组,显著减少了放射科医生的工作量.
- 不必要的细针吸收率从38.7%降至14.9% (仅ThyNet-S) 或11.5% (使用TI-RADS).
结论:
- ThyNet-S显著提高了使用超声波查甲状腺癌的效率和准确性.
- 适应式双任务深度学习模型优化了临床决策,减少了不必要的侵入性手术.
- ThyNet-S代表了改善美国甲状腺查工作流程和患者管理的宝贵工具.
