结合超声波成像和分子测试在多模式深度学习模型的风险分层的不确定的甲状腺结节的超声波成像和分子测试

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:

• 不确定的甲状腺结节 (Bethesda III和IV) 占活检病例的15-30%,需要进一步的诊断评估.
• 目前用于精细针吸收 (FNA) 样品的分子测试 (MT) 提供了高灵敏度但有限的特异性和恶性瘤的积极预测值 (PPV).
• 整合不同的数据源对于提高甲状腺结节风险分层的诊断准确性至关重要.

研究的目的:

• 开发和评估一种多式深度学习模型,将超声波 (US) 成像和分子测试 (MT) 结合起来,以提高不确定的甲状腺结节的风险分层.
• 提高恶性瘤评估的积极预测值 (PPV) 和特异性,同时保持高灵敏度.
• 为了提供一个更强大的框架来管理患有不确定的甲状腺结节的患者,可能减少不必要的手术.

主要方法:

• 在美国加州大学洛杉矶分校医学中心 (2016-2022) 对333名患有未确定的甲状腺结节的患者 (259名良性,74名恶性) 的回顾性分析.
• 开发一种多式深度学习模型,将全US图像,256x256补丁和128x128补丁与临床基线数据 (贝塞斯达细胞学和MT结果) 集成在一起.
• 模型性能使用五倍交叉验证进行评估,按手术结果分层,将组合模型与临床基线进行比较.

主要成果:

• 临床基线 (贝塞斯达+MT) 达到AUROC为0.728,灵敏度为0.946,特异性为0.664,PPV为0.448.
• 拟议的多式组合模型显著提高了性能,实现了AUROC为0.831,灵敏度为0.946,特异性为0.703,PPV为0.477 (p=0.0008).
• 多式联运模型在PPV和特异性方面显示了统计学上显著的改进,同时保持了高灵敏度.

结论:

• 综合超声波成像和分子测试的多式深度学习模型在不确定的甲状腺结节的风险分层方面取得了重大进展.
• 这种方法提高了诊断性能,特别是提高了PPV和特异性,这可以帮助临床决策.
• 该框架具有降低良性甲状腺切除率的潜力,尽管需要对更大,更多样化的数据集进行进一步验证.