关于对良性和恶性外围肺瘤差异诊断的初步探索性研究:基于深度学习网络
Yuan Wang1,2, Yutong Zhang1, Yongxin Li3
1Department of Ultrasound, The Second Affiliated Hospital of Xi'an Jiaotong University, Xi'an, China.
Frontiers in medicine
|April 11, 2025
概括
使用ResNet18和超声波成像的新型深度学习模型有效地区分良性和恶性肺瘤. 这种非侵入性工具对早期肺癌检测和改善风险分层有希望.
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:
- 深度学习对肺损伤诊断有希望,但研究往往忽视了超声波成像.
- 大多数研究集中在CT,MRI和X射线上,限制了超声波预测潜力的探索.
研究的目的:
- 开发和评估一个深度学习模型,利用超声波成像来区分良性和恶性外围肺瘤.
- 评估各种深度学习算法的诊断性能,根据超声数据对肺部瘤进行分类.
主要方法:
- 对371名接受超声导向皮肤穿透肺瘤手术的患者进行了回顾性分析.
- 开发和比较五个深度学习模型 (ResNet152,ResNet101,ResNet50,ResNet34,ResNet18) 使用8: 2训练测试分割.
- 使用接收器操作特征 (ROC) 曲线,曲线下的面积 (AUC) 和净重新分类改进 (NRI) 分析来评估诊断性能.
主要成果:
- 该ResNet18深度学习模型实现了最高的诊断性能.
- 与其他ResNet模型相比,ResNet18在预测准确度和重新分类能力方面表现出了统计学上显著的优势 (所有p < 0.05).
- 与其他模型相比,ResNet18的净重新分类改进 (NRI) 值在0.180到0.240之间,表明其优越的歧视力.
结论:
- 基于ResNet18的深度学习模型为区分良性和恶性外围肺瘤提供了卓越的准确性.
- 超声波成像与深度学习相结合,为早期肺癌检测提供了一种有效的非侵入性方法.
- 该模型提高了风险分层和分类准确性,为改进的诊断策略铺平了道路.
