多相计算机断层扫描中的上腺质量的定位和分类:回顾性研究
Liuyang Yang1,2, Xinzhang Zhang3,4,5, Zhenhui Li1
1Yunnan Cancer Hospital, The Third Affiliated Hospital of Kunming Medical University, Kunming, China.
Journal of medical Internet research
|April 24, 2025
概括
一个新的深度学习模型,多注意力YOLO (MA-YOLO),准确地识别和分类CT扫描中的上腺质量. 这种人工智能工具可以帮助临床医生,提高诊断准确度,并可能减少对上腺意外瘤的不必要手术.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 上腺副瘤越来越常见,通常需要手术.
- 从CT扫描中准确分类上腺质量对临床医生来说是个挑战,需要先进的工具.
- 当前的诊断方法可能会导致工作量增加和不必要的手术.
研究的目的:
- 开发一种自动化,非侵入性的方法来识别和分类上腺质量.
- 为了提高诊断效率,并改变上腺质的手术前诊断.
- 为了提高准确性和降低主观性分类上腺质量.
主要方法:
- 来自两个中心 (内部和外部数据集) 的上腺切除患者数据的回顾性分析.
- 开发一个深度学习模型,多注意力YOLO (MA-YOLO),用于定位和分类6种常见的上腺质量类型.
- 使用交叉与联合和平均平均精度指标进行评估,并比较模型辅助前后的诊断性能.
主要成果:
- 在外部测试组上,MA-YOLO模型在本地化 (IoU 0.838-0.890) 和分类 (mAP 0.885-0.915) 中实现了高性能.
- 模型辅助显著改善了大多数上腺质类型的放射科医生和临床医生的诊断性能.
- 在对上腺腺瘤和上腺皮层癌进行分类时,观察到显著的改善.
结论:
- MA-YOLO模型提供了一种高效,准确和非侵入性的方法,用于术前定位和分类上腺质量.
- 这种深度学习方法显示出有很大的潜力,可以帮助临床决策在上腺质量诊断.
- 这项研究强调了人工智能在改善上腺意外瘤的诊断准确性和患者护理方面的价值.
