基于深度学习和MRI的宫癌手术前阶段预测模型的构建:一项回顾性研究
Xuhao Dai1, Xiaoxian Ye1, Jiangping Ren1
1Department of Radiotherapy and Chemotherapy, The First Affiliated Hospital of Ningbo University, Ningbo, China.
Frontiers in oncology
|April 17, 2025
概括
使用MRI扫描的深度学习模型可以自动化宫癌分期,提高准确性和效率. 人力资源网络模型特别有希望作为个性化治疗的临床决策支持工具.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 机器学习用于医疗保健
背景情况:
- 宫癌是全球主要的健康问题,需要精确的手术前分期,以获得有效的治疗和预后.
- 目前用于分期的手动成像分析是主观和低效的.
- 深度学习为自动化,准确和高效的宫癌分期提供了潜在的解决方案.
研究的目的:
- 用MRI数据评估各种深度学习模型的有效性,用于使用MRI数据进行自动化宫癌分期.
- 确定最有效的深度学习模型,以提高分期准确性和效率.
主要方法:
- 对112名宫癌患者手术前MRI扫描 (T1和T2阶段) 的回顾性分析.
- 七个深度学习模型的培训和验证:DenseNet,FBNet,HRNet,RegNet,ResNet50,ShuffleNet和ViT. 这七个深度学习模型的培训和验证包括:
- 使用标准化预处理,数据增强,手动注释和卷积神经网络来提取特征.
主要成果:
- 人力资源网络实现了最高的性能,准确率为69.70%,回忆率为68.89%,F1得分为68.98%,精度为69.62%.
- ShuffleNet显示了第二好的表现,而ViT表现最差.
- 人力资源网络表现出卓越的分类能力,AUC为0.7778,即使在小型数据集中也有效.
结论:
- 应用到MRI图像上的深度学习模型可以自动化宫癌分期,提高准确性和效率.
- 人力资源网络显示出作为临床决策支持工具的巨大潜力,用于精准医学和个性化宫癌治疗.
