从超声波图像中预测微波切除良性甲状腺结节的疗效,使用深 convolutional 神经网络

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:

• 甲状腺结节很常见,在成年人中诊断越来越多.
• 超声导向的热除为结节治疗提供了一种不那么侵入性的选择.
• 预测热除疗效是具有挑战性的,因为个体的变化.

研究的目的:

• 评估深度学习模型,以预测超声波导向微波切除 (MWA) 在良性甲状腺结节中的疗效.
• 为了比较五个卷积神经网络架构的性能.

主要方法:

• 使用了五个预训练的卷积神经网络模型 (VGG19,Resnet 50,EfficientNetB1,EfficientNetB0,InceptionV3) 进行了测试.
• 来自患有良性甲状腺结节的患者的超声数据用于培训 (70%) 和验证 (30%).
• 用准确度,灵敏度,特异性,PPV,NPV和AUC来评估模型的性能.

主要成果:

• 在验证集中,EfficientNetB1表现出最佳的预测性能.
• 微调的EfficientNetB1实现了0.85的AUC和0.79.7的精度 (ACC).
• 该模型准确地预测了一次MWA会话后,体积减少率 (VRR) <50%的结节.

结论:

• 开发的深度学习模型在预测甲状腺结节的MWA疗效方面表现有前途.
• 识别不良反应者可以为临床决策提供信息,可能引导患者选择手术而不是切除.
• 需要进一步的研究和前性研究来验证并将这些深度学习模型纳入临床实践.